在 C 中使用 regex.h 计算匹配数

Question

我在 C 中使用 POSIX 正则表达式 regex.h 来计算一个短语在英语文本片段中出现的次数。 但是regexec(...) 的返回值仅说明是否找到匹配项。所以我尝试使用nmatch 和matchptr 来查找不同的外观，但是当我从matchptr 打印出匹配项时，我刚刚收到第一个短语的第一个索引出现在我的文本中。

这是我的代码：

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

#define MAX_MATCHES 20 //The maximum number of matches allowed in a single string

void match(regex_t *pexp, char *sz) {
    regmatch_t matches[MAX_MATCHES];
    if (regexec(pexp, sz, MAX_MATCHES, matches, 0) == 0) {
    for(int i = 0; i < MAX_MATCHES; i++)
        printf("\"%s\" matches characters %d - %d\n", sz, matches[i].rm_so, matches[i].rm_eo);
    } 
    else {
        printf("\"%s\" does not match\n", sz);
    }
}

int main(int argc, char* argv[]) {
    int rv;
    regex_t exp;
    rv = regcomp(&exp, "(the)", REG_EXTENDED | REG_ICASE);
    if (rv != 0) {
        printf("regcomp failed\n");
    }
    match(&exp, "the cat is in the bathroom.");
    regfree(&exp);
    return 0;
}

如何使此代码同时报告字符串 the cat is in the bathroom 中正则表达式 (the) 的两个不同匹配项？

Answer 1

您错误地理解了pmatch 的含义。它不用于获取重复的模式匹配。它用于获取一个匹配项及其可能子组的位置。正如regcomp(3) 的 Linux 手册所说：

从第 i 个 open 开始的子表达式的偏移量 括号存储在 pmatch[i] 中。整个正则表达式的匹配地址存储在 匹配[0]。 （请注意，要返回 N 个子表达式匹配的偏移量，nmatch 必须至少为 N+1。） 任何未使用的结构元素都将包含值 -1。

如果你有正则表达式this (\w+) costs (\d+) USD，那么在括号(\w+)和(\d+)中有2个捕获组；现在，如果 nmatch 至少设置为 3，pmatch[0] 将包含整个匹配的开始和结束索引，pmatch[1] 开始和结束 (\w+) 组和 pmatch[2] 用于 (\d+) 组。

---

如果模式从不匹配，则以下代码应打印连续匹配的范围（如果有）或字符串"<the input string>" does not contain a match。

经过精心构造，它也适用于长度为零的正则表达式（一个空的正则表达式，或者说正则表达式 #? 将匹配每个字符位置，包括最后一个字符之后；该正则的 28 个匹配表达式将报告输入the cat is in the bathroom.)

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


void match(regex_t *pexp, char *sz) {
    // we just need the whole string match in this example    
    regmatch_t whole_match;

    // we store the eflags in a variable, so that we can make
    // ^ match the first time, but not for subsequent regexecs
    int eflags = 0;
    int match = 0;
    size_t offset = 0;
    size_t length = strlen(sz);

    while (regexec(pexp, sz + offset, 1, &whole_match, eflags) == 0) {
        // do not let ^ match again.
        eflags = REG_NOTBOL;
        match = 1;
        printf("range %zd - %zd matches\n",
               offset + whole_match.rm_so,
               offset + whole_match.rm_eo);

        // increase the starting offset
        offset += whole_match.rm_eo;

        // a match can be a zero-length match, we must not fail
        // to advance the pointer, or we'd have an infinite loop!
        if (whole_match.rm_so == whole_match.rm_eo) {
            offset += 1;
        }

        // break the loop if we've consumed all characters. Note
        // that we run once for terminating null, to let
        // a zero-length match occur at the end of the string.
        if (offset > length) {
            break;
        }
    }
    if (! match) {
        printf("\"%s\" does not contain a match\n", sz);
    }
}


int main(int argc, char* argv[]) {
    int rv;
    regex_t exp;
    rv = regcomp(&exp, "(the)", REG_EXTENDED | REG_ICASE);
    if (rv != 0) {
        printf("regcomp failed\n");
    }
    match(&exp, "the cat is in the bathroom.");
    regfree(&exp);
    return 0;
}

---

P.S.，在这种情况下，您的正则表达式 (the) 中的括号是不必要的；你可以只写the（你最初在同一位置获得2个匹配的困惑是因为你会得到(the)的一个匹配和the的一个子匹配，如果你没有这些括号，你的代码会只打印了第一次匹配的位置）。