正则表达式
正则表达式（Regular Expression）系统总结
一、正则表达式的诞生历史
-
起源阶段（1950s-1960s）
- 理论基础：数学家Stephen Kleene提出正则集合（Regular Sets），描述有限自动机识别的语言。
- 计算机应用：Ken Thompson（Unix之父）在1968年将其引入QED文本编辑器，用于文本搜索。
-
工具普及阶段（1970s-1980s）
- Unix工具链：
ed → grep → sed → awk 逐步将正则表达式推广为系统级工具。
- 标准化：POSIX标准定义了BRE（Basic Regular Expressions）和ERE（Extended Regular Expressions）。
-
现代扩展（1990s至今）
- Perl语言：引入PCRE（Perl Compatible Regular Expressions），支持更复杂的语法（如非贪婪匹配、零宽断言）。
- 多语言支持：Java、Python、JavaScript等主流语言均内置正则引擎，语法逐渐统一。
二、正则表达式核心概念
1. 模式串的组成元素
| 类别 |
符号/语法 |
说明 |
| 普通字符 |
a, 1, @ |
匹配字面值字符 |
| 元字符 |
. ^ $ * + ? |
具有特殊含义的字符，需转义（如\.匹配点号） |
| 字符类 |
[abc], [^a-z] |
匹配指定字符集合中的任意一个字符 |
| 预定义字符类 |
\d, \w, \s |
匹配数字（\d）、单词字符（\w）、空白符（\s） |
| 量词 |
{n}, {n,}, {n,m} |
指定匹配次数（如a{3}匹配aaa） |
| 分组与捕获 |
(pattern) |
将子模式分组，并捕获匹配内容 |
| 非捕获分组 |
(?:pattern) |
分组但不捕获 |
| 分支选择 |
a|b |
匹配a或b |
2. 边界匹配
| 符号 |
作用 |
^ |
匹配字符串开始（或行首） |
$ |
匹配字符串结束（或行尾） |
\b |
匹配单词边界（字母与非字母间） |
\B |
匹配非单词边界 |
3. 转义字符
| 符号 |
实际匹配的字符 |
\\ |
反斜杠 \ |
\. |
点号 . |
\* |
星号 * |
\t |
制表符 |
\n |
换行符 |
4. 贪婪匹配 vs 非贪婪匹配
- 贪婪模式：默认行为，量词会尽可能多匹配字符。
示例：a.*b 匹配 axxxbxxb 中的整个字符串。
- 非贪婪模式：在量词后加
?，尽可能少匹配字符。
示例：a.*?b 匹配 axxxbxxb 中的 axxxb。
5. 零宽断言（Lookaround）
| 类型 |
语法 |
作用 |
| 正向先行断言 |
(?=...) |
匹配后面跟随指定模式的位置 |
| 负向先行断言 |
(?!...) |
匹配后面不跟随指定模式的位置 |
| 正向后行断言 |
(?<=...) |
匹配前面有指定模式的位置（部分引擎支持） |
| 负向后行断言 |
(?<!...) |
匹配前面无指定模式的位置（部分引擎支持） |
示例：
- \d+(?=px) 匹配后面是px的数字（如16px中的16）。
- (?<!-)\d+ 匹配前面没有负号的数字。
三、正则表达式流派对比
| 特性 |
POSIX BRE |
POSIX ERE |
PCRE（Perl风格） |
| 量词默认行为 |
需转义（\+） |
直接使用（+） |
直接使用（+） |
| 非贪婪匹配 |
不支持 |
不支持 |
支持（*? +?） |
| 零宽断言 |
不支持 |
不支持 |
支持 |
| 预定义字符类 |
有限支持 |
有限支持 |
支持（如\d） |
| 引擎性能 |
较低 |
中等 |
较高 |
四、常见使用场景
- 文本验证
- 邮箱：
^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$
- 手机号：
^1[3-9]\d{9}$
- 文本提取
- 提取HTML标签内容：
<a[^>]*>(.*?)</a>
- 抓取日志中的IP地址：
\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}
- 文本替换
- 替换日期格式：
(\d{4})-(\d{2})-(\d{2}) → $2/$3/$1
- 删除多余空格：
\s+ →
五、正则表达式调试与优化
- 调试工具
- 常见陷阱
- 回溯失控：复杂模式导致性能骤降，避免嵌套量词（如
(a+)+）。
- 贪婪匹配错误：误用
.*导致匹配过多内容，优先使用非贪婪模式（.*?）。
- 字符集遗漏：如
[A-Z]未包含小写字母，可添加[A-Za-z]。
六、经典学习路径
- 基础语法：掌握元字符、量词、字符类、分组。
- 实战练习：从简单匹配（如电话号码）到复杂文本处理。
- 高级特性：学习零宽断言、非捕获分组、条件匹配。
- 引擎原理：了解DFA/NFA引擎差异，优化正则性能。
总结
正则表达式是文本处理的瑞士军刀，诞生于理论数学，成长于Unix工具链，成熟于现代编程语言。核心模式串通过元字符、量词、分组等元素构建匹配规则，需注意不同流派（如POSIX/PCRE）的语法差异。掌握正则表达式可大幅提升文本处理效率，但需警惕性能陷阱，合理使用工具调试优化。
POSIX下C语言正则表达式开发总结
1. 头文件与核心结构
- 头文件：
<regex.h>
- 核心结构：
typedef struct {
size_t re_nsub; // 子表达式数量
// 内部实现细节（不直接访问）
} regex_t;
typedef struct {
regoff_t rm_so; // 匹配起始偏移
regoff_t rm_eo; // 匹配结束偏移（不包含）
} regmatch_t;
2. 核心函数
| 函数 |
功能描述 |
参数说明 |
regcomp |
编译正则表达式为regex_t结构 |
regex_t *preg, const char *regex, int cflags |
regexec |
执行正则匹配 |
const regex_t *preg, const char *string, size_t nmatch, regmatch_t pmatch[], int eflags |
regerror |
转换错误码为可读信息 |
int errcode, const regex_t *preg, char *errbuf, size_t errbuf_size |
regfree |
释放regex_t资源 |
regex_t *preg |
3. 正则表达式语法类型
- BRE (Basic Regular Expressions)
- 元字符需转义（如
\( \), \{ \}, \+）
- 默认贪婪匹配
- ERE (Extended Regular Expressions)
- 元字符直接使用（如
(), {}, +）
- 通过
regcomp的REG_EXTENDED标志启用
4. 编译标志 (cflags)
| 标志 |
作用 |
REG_EXTENDED |
使用ERE语法（默认BRE） |
REG_ICASE |
忽略大小写 |
REG_NOSUB |
不报告子表达式匹配位置（优化性能） |
REG_NEWLINE |
使.不匹配换行符，^/$匹配行首/尾 |
5. 执行标志 (eflags)
| 标志 |
作用 |
REG_NOTBOL |
字符串起始不作为行首（^无效） |
REG_NOTEOL |
字符串结束不作为行尾（$无效） |
6. 错误处理
- 常见错误码：
REG_NOMATCH: 无匹配REG_BADPAT: 无效模式REG_ESPACE: 内存不足- 错误信息获取：
char errbuf[100];
regerror(errcode, &preg, errbuf, sizeof(errbuf));
7. 匹配结果处理
regmatch_t数组：存储匹配位置（索引0为整个匹配，1~n为子表达式）
regmatch_t pmatch[3]; // 假设有2个子表达式
if (regexec(&preg, input, 3, pmatch, 0) == 0) {
for (int i = 0; i < 3; i++) {
printf("Match %d: [%d-%d]\n", i, pmatch[i].rm_so, pmatch[i].rm_eo);
}
}
8. 线程安全
- 不可重入性：同一
regex_t实例在多线程中需同步访问。
- 推荐实践：每个线程独立编译
regex_t实例。
9. 示例代码
#include <regex.h>
#include <stdio.h>
int main() {
regex_t preg;
const char *pattern = "([a-z]+)\\.([a-z]+)";
const char *input = "example.com";
regmatch_t pmatch[3];
if (regcomp(&preg, pattern, REG_EXTENDED) != 0) {
fprintf(stderr, "Compilation error\n");
return 1;
}
if (regexec(&preg, input, 3, pmatch, 0) == 0) {
printf("Full match: %.*s\n", pmatch[0].rm_eo - pmatch[0].rm_so, input + pmatch[0].rm_so);
printf("Sub 1: %.*s\n", pmatch[1].rm_eo - pmatch[1].rm_so, input + pmatch[1].rm_so);
printf("Sub 2: %.*s\n", pmatch[2].rm_eo - pmatch[2].rm_so, input + pmatch[2].rm_so);
} else {
printf("No match\n");
}
regfree(&preg);
return 0;
}
10. 注意事项
- 资源释放：务必调用
regfree避免内存泄漏。
- 性能：预编译常用正则表达式提升效率。
- 兼容性：POSIX正则与其他库（如PCRE）语法差异，避免混用。
总结
POSIX正则提供标准化的文本匹配接口，通过regcomp、regexec等函数实现编译与匹配，支持BRE/ERE语法。开发时需注意线程安全、错误处理及资源管理，合理使用子表达式和标志以优化匹配逻辑。