在C语言中使用POSIX正则函数获取正则捕获组的问题

问题背景 #

想要用C语言的<regex.h>库模仿PostgreSQL的regexp_match函数，以下是参考的两条PostgreSQL查询：

SELECT regexp_match('hello world test', 'world.{3}');   
SELECT regexp_match('foobarbequebaz', '(bar)(beque)');     

测试时发现，第二条查询对应的C代码本应输出两个捕获组（group1仅返回bar），但出现异常；后续验证pattern2匹配sz2时行为正常，但对无捕获组模式下的matches数组存在疑问。

测试代码 #

#include<regex.h>
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#define MAX_MATCHES 1024
int main(void)
{
    regex_t regex;
    int reti;
    char msgbuf[100];
    char buff0[20];
    char buff[20];
    char buff1[20];
    char *sz1 = "hello world test";
    //char *sz2= "foobarbequebaz";
    char *pattern1 = "world.{3}";
    //char *pattern2 = "(bar)(beque)";
    regmatch_t matches[MAX_MATCHES];

    /* Compile regular expression */
    reti = regcomp(&regex,pattern1,REG_EXTENDED);
    if(reti){
        fprintf(stderr,"could not compile\n");
        exit(EXIT_FAILURE);
    }

    reti = regexec(&regex,sz1,MAX_MATCHES,matches,0);
    if(!reti){
        printf("szso=%d\n",matches[1].rm_so);
        printf("szeo=%d\n",matches[1].rm_eo);
        memcpy(buff0,sz1+matches[0].rm_so,matches[0].rm_eo-matches[0].rm_so);
        memcpy(buff,sz1+matches[1].rm_so,matches[1].rm_eo-matches[1].rm_so);
        memcpy(buff1,sz1+matches[2].rm_so,matches[2].rm_eo-matches[2].rm_so);
        printf("group0: %s\n",buff0);
        printf("group1: %s\n",buff);
        printf("group2: %s\n",buff1);
    }
    else if(reti == REG_NOMATCH){
        puts("No match");
    }
    else{
        regerror(reti,&regex,msgbuf,sizeof(msgbuf));
        fprintf(stderr,"Regex match failed: %s\n",msgbuf);
        exit(EXIT_FAILURE);
    }
    regfree(&regex);
    exit(EXIT_SUCCESS);
}

异常输出（测试pattern1时） #

szso=3
szeo=11
group1: barbeque

核心疑问 #

1. 当模式无捕获组时，matches[0]是否应与matches[1]内容相同？
2. 此类场景下，group0和group1是否应该一致？

问题分析与解决方案 #

1. 捕获组的规则

POSIX正则中，matches数组的第0项固定对应整个正则匹配的内容；从第1项开始，才对应正则中定义的捕获组。如果正则没有定义任何捕获组（比如pattern1: world.{3}），那么matches[1]及之后的项是未定义的，访问它们会读取到内存中的随机值，这就是异常输出的原因。

2. 获取有效捕获组数量

编译正则后，可以通过regex.re_nsub变量获取正则中定义的捕获组总数。比如pattern2: (bar)(beque)对应的regex.re_nsub值为2，此时matches[1]和matches[2]才是有效的捕获组内容。

3. 代码修正关键点

• 访问matches数组时，不要超过regex.re_nsub的范围（加上第0项）
• 使用memcpy截取字符串后，必须手动添加字符串结束符\0，否则打印时会输出垃圾内容（原字符串的截取部分默认无结束符）

修正后的示例代码 #

#include<regex.h>
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#define MAX_MATCHES 1024
int main(void)
{
    regex_t regex;
    int reti;
    char msgbuf[100];
    char buff0[20] = {0}; // 初始化内存避免垃圾值
    char buff[20] = {0};
    char buff1[20] = {0};
    char *sz2= "foobarbequebaz";
    char *pattern2 = "(bar)(beque)";
    regmatch_t matches[MAX_MATCHES];

    reti = regcomp(&regex, pattern2, REG_EXTENDED);
    if(reti){
        fprintf(stderr,"could not compile\n");
        exit(EXIT_FAILURE);
    }

    reti = regexec(&regex, sz2, MAX_MATCHES, matches, 0);
    if(!reti){
        // 处理整个匹配结果（group0）
        int len0 = matches[0].rm_eo - matches[0].rm_so;
        if(len0 < sizeof(buff0)){
            memcpy(buff0, sz2 + matches[0].rm_so, len0);
            buff0[len0] = '\0'; // 添加字符串结束符
        }
        printf("group0: %s\n", buff0);

        // 遍历所有有效捕获组
        for(int i=1; i<=regex.re_nsub; i++){
            int len = matches[i].rm_eo - matches[i].rm_so;
            char *buf = NULL;
            switch(i){
                case 1: buf = buff; break;
                case 2: buf = buff1; break;
                default: continue;
            }
            if(len < sizeof(buf)){
                memcpy(buf, sz2 + matches[i].rm_so, len);
                buf[len] = '\0';
            }
            printf("group%d: %s\n", i, buf);
        }
    }
    else if(reti == REG_NOMATCH){
        puts("No match");
    }
    else{
        regerror(reti,&regex,msgbuf,sizeof(msgbuf));
        fprintf(stderr,"Regex match failed: %s\n",msgbuf);
        exit(EXIT_FAILURE);
    }
    regfree(&regex);
    exit(EXIT_SUCCESS);
}

疑问解答 #

• 当模式无捕获组时，matches[1]及之后的项是未定义的，和matches[0]没有关联，不能期望内容一致。只有正则中定义了捕获组，对应的matches项才有效。
• 只有当捕获组的范围完全覆盖整个正则匹配结果时（比如正则为^(bar)$），matches[0]和对应的捕获组内容才会相同，其他场景下两者内容不一致。

内容的提问来源于stack exchange，提问作者jian