C語言中高效使用正則表達式：POSIX Regex API完整指南與實戰

編輯：關於C語言

前言：正則表達式不只是腳本語言的專利

熟悉Linux sed/awk/grep/vi 的開發者對正則表達式絕不陌生。它以聲明式模式極大簡化了複雜文本處理。雖然標準C/C++庫未內置正則支持，但POSIX Regex (regex.h) 和 PCRE (Perl-Compatible Regular Expressions) 等成熟庫填補了這一空白。本文系統講解POSIX Regex API在C語言中的完整用法：編譯、匹配、提取子串、錯誤處理、資源釋放，並給出可直接編譯運行的完整示例。

核心API四部曲

1. `regcomp()` — 編譯正則表達式

int regcomp(regex_t *preg, const char *regex, int cflags);

preg：輸出參數，指向 regex_t 結構，存儲編譯後的內部表示（狀態機）。
regex：正則表達式字符串（如 "regex[a-z]*"）。
cflags：編譯標誌位（按位或）：
- REG_EXTENDED：使用擴展正則語法（默認基礎語法較弱）。
- REG_ICASE：忽略大小寫。
- REG_NOSUB：不保存匹配位置（僅判斷是否匹配，加速）。
- REG_NEWLINE：. 不匹配換行符，^/$ 匹配行首尾。
返回值：0 成功，非零為錯誤碼（需配合 regerror 解析）。

2. `regexec()` — 執行模式匹配

int regexec(const regex_t *preg, const char *string,
            size_t nmatch, regmatch_t pmatch[], int eflags);

string：待匹配文本。
nmatch / pmatch：最多捕獲 nmatch 個子表達式匹配位置，存入 pmatch 數組。
regmatch_t 結構：{ regoff_t rm_so; // 起始偏移 regoff_t rm_eo; // 結束偏移(不含) }
pmatch[0] 為整個正則匹配範圍，pmatch[1..] 為捕獲組（括號內子表達式）。
eflags：REG_NOTBOL (行首不視為行首)、REG_NOTEOL (行尾不視為行尾)。
返回值：0 匹配成功，REG_NOMATCH 未匹配，其他為錯誤。

3. `regfree()` — 釋放編譯資源

void regfree(regex_t *preg);

必須在不再使用 preg 時調用，避免內存洩漏。最佳實踐：每次 regcomp 後配對一次 regfree，即使標準未強制要求。

4. `regerror()` — 獲取人類可讀錯誤信息

size_t regerror(int errcode, const regex_t *preg,
                char *errbuf, size_t errbuf_size);

errcode：regcomp/regexec 返回的非零錯誤碼。
preg：提供上下文（如錯誤位置）。
將格式化錯誤信息寫入 errbuf (最多 errbuf_size 字節)，返回實際長度。

完整實戰示例：逐行匹配並高亮輸出捕獲組

#include <stdio.h>
#include <sys/types.h>
#include <regex.h>
#include <string.h>

// 截取子串輔助函數
static char* substr(const char* str, unsigned start, unsigned end) {
    static char buf[256];
    unsigned n = end - start;
    strncpy(buf, str + start, n);
    buf[n] = '\0';
    return buf;
}

int main(int argc, char** argv) {
    if (argc < 2) {
        fprintf(stderr, "Usage: %s  [file...]\n", argv[0]);
        return 1;
    }

    char *pattern = argv[1];
    regex_t reg;
    regmatch_t pm[10];
    const size_t nmatch = 10;
    char ebuf[128], lbuf[1024];
    int lno = 0, z;

    // 1. 編譯正則
    z = regcomp(®, pattern, REG_EXTENDED);
    if (z != 0) {
        regerror(z, ®, ebuf, sizeof(ebuf));
        fprintf(stderr, "%s: pattern '%s'\n", ebuf, pattern);
        return 1;
    }

    // 2. 逐行處理標準輸入
    while (fgets(lbuf, sizeof(lbuf), stdin)) {
        ++lno;
        // 去除尾部換行符
        if ((z = strlen(lbuf)) > 0 && lbuf[z-1] == '\n')
            lbuf[z-1] = '\0';

        // 3. 執行匹配
        z = regexec(®, lbuf, nmatch, pm, 0);
        if (z == REG_NOMATCH) continue;
        if (z != 0) {
            regerror(z, ®, ebuf, sizeof(ebuf));
            fprintf(stderr, "%s: regexec('%s')\n", ebuf, lbuf);
            regfree(®);
            return 2;
        }

        // 4. 輸出結果：行號 + 原行 + 所有捕獲組
        for (int x = 0; x < nmatch && pm[x].rm_so != -1; ++x) {
            if (!x) printf("%04d: %s\n", lno, lbuf);
            printf(" $%d='%s'\n", x, substr(lbuf, pm[x].rm_so, pm[x].rm_eo));
        }
    }

    // 5. 釋放資源
    regfree(®);
    return 0;
}

編譯與測試

# gcc regexp.c -o regexp -lregex  # 鏈接 regex 庫
# ./regexp 'regex[a-z]*' < regexp.c
0003: #include <regex.h>
 $0='regex'
0027: regex_t reg;
 $0='regex'
0054: z = regexec(&reg, lbuf, nmatch, pm, 0);
 $0='regexec'
...

程序從標準輸入讀取文本（此處為自身源碼），對每行應用正則 regex[a-z]*，輸出匹配行及所有捕獲組（$0為整體匹配）。

進階技巧與避坑指南

捕獲組嵌套：pmatch 數組大小需 ≥ 捕獲組數 + 1。動態分配可用 malloc(nmatch * sizeof(regmatch_t))。
多行匹配：默認 ^/$ 匹配整字符串首尾。加 REG_NEWLINE 使其匹配行首尾。
性能優化：同一正則重複使用時，一次編譯，多次匹配，最後統一 regfree。
PCRE選項：需更強大語法(如 \d, \w, (?=...), (?>...)) 可改用 pcre.h，API風格相似但功能更豐富。
線程安全：regex_t 非線程安全，多線程環境下每線程獨立編譯或加鎖。