在 C 中使用 regex.h 计算匹配数

Question

我在 C 语言中使用 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(...)的返回值只告诉是否找到匹配项。所以我尝试使用 nmatch 和 matchptr 来查找不同的外观，但是当我打印出来自 matchptr 的匹配项时，我只收到了第一个第一个短语的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;
}

如何让这段代码报告字符串 the cat is in the bathroom 中正则表达式 (the) 的两个不同匹配项？

Answer 1

你已经理解了 pmatch 的含义不正确。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的子组的位置。作为 regcomp(3) 的 Linux 手册说:

The offsets of the subexpression starting at the ith open parenthesis are stored in pmatch[i]. The entire regular expression's match addresses are stored in pmatch[0]. (Note that to return the offsets of N subexpression matches, nmatch must be at least N+1.) Any unused structure elements will contain the value -1.

如果你有正则表达式 this (\w+) costs (\d+) USD , 括号中有 2 个捕获组 (\w+)和 (\d+) ;现在如果nmatch至少设置为 3，pmatch[0]将包含整个比赛的开始和结束索引，pmatch[1] (\w+) 的开始和结束组和pmatch[2]对于 (\d+)组。

---

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如果模式从不匹配。

它经过精心构造，因此它也适用于零长度正则表达式(空正则表达式，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 个匹配项输入将报告表达式 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;
}

---

附言，正则表达式中的括号 (the)在这种情况下是不必要的；你可以写the (并且您最初对在同一位置获得 2 个匹配项感到困惑是因为您将获得一个匹配项 (the) 和一个子匹配项 the，如果您没有这些括号，您的代码将打印第一个匹配项的位置只有一次)。