C语言“正则表达式”字符串处理sscanf()，使用前缀技巧、匹配邮箱等

一般的字符串处理函数可以使用C标准库的string.h，字符串匹配、字符串反转、在字符串中查找子串位置等。但string.h仍然满足不了我们的需求。

来几个例题：（不允许使用c++）

1、要求把一个字符串两端的空白符（可能有多个空格和TAB）给去掉，
例如：“   asd123  qwer    ”，要求处理完之后结果为："asd123  qwer"。
有人可能会想，这么简单的功能，手写一个函数就能轻松搞定，但是如果每来一个新需求都要手写一个新函数才能完成它，那就太累了，我们将使用C标准库来完成这个事情。

2、要求把字符串的数字给删掉
例如：“ abc    abc123.4--abc”要求处理完之后为：“ abc    abc--abc”

3、判断一个字符串是不是网易邮箱，
例如："[email protected]"判定成功，“[email protected]”判断成功，"egweg124"失败，"[email protected]"失败

 

C++的正则可以轻松搞定的事情，如果只用C就有点困难了

我们将使用sscanf函数来解决这个问题，在此之前先来学习一下sscanf的用法：

0、sscanf的返回值

它的返回值是匹配成功的次数，根据返回值我们可以检验一下是否提取成功（功能1），当然，也可以用来检测是否匹配（功能2）。

一、基本用法

1、从字符串中提取数字（int、double、float等都可以，类似printf）

char src[] = "temperature: 23.6 degree";
float resF;
int cnt = sscanf(src, "temperature: %f", &resF);//cnt结果为1
printf("%f", resF);//结果为：23.6

2、从字符串中提取子串

char src[] = "one   two three four";//多个子串之间必须是空白符（如空格/TAB等）隔开的
char res[4][10];    
int cnt = sscanf(src, "%s%s        %s %s", res[0], res[1], res[2], res[3]); //格式串中的两个%s之间可以使任意空白符或没有间隔
printf("%s+%s+%s+%s\r\n", res[0], res[1], res[2], res[3]);//结果为：one+two+three+four

这个例子对子串的样式提了要求，限制了使用场景，后文会有更通用的解决办法。

 

二、高级用法
类似正则的格式串来提取或比较。
格式串的组成如下：%[*] [width] [{h|l|I64|L}]  type

{h|l|I64|L}含义可以参考微软的手册：https://docs.microsoft.com/en-us/cpp/c-runtime-library/format-specification-fields-scanf-and-wscanf-functions?view=vs-2019  或者 man sscanf

如果链接失效，请自行搜索：sscanf MSDN，然后进入MSDN官网搜索sscanf

格式串%[*] [width] [{h|l|I64|L}]  type中，中括号代表该段可由可无，我们发现，只有%和type字段是必须的，width字段、{h|l|I64|L}字段可有可无。
每一个%都要对应输出一个结果，
[*]代表该%段不向结果缓冲区输出（用正则术语来说就是：只匹配不捕获）
width字段代表从从上一个%段匹配完之后的子串开始，最多检查多少个字符。（一般可以填结果缓冲区的容量以避免越界）
type段是最常见的：
%c 一个单一的字符  
%d 一个十进制整数  
%i 一个整数  
%e, %f, %g 一个浮点数  
%o 一个八进制数  
%s 一个字符串  
%x 一个十六进制数  
%p 一个指针  
%n 一个等于读取字符数量的整数  
%u 一个无符号整数  
%[ ] 一个字符集 （正则就使用这个，而且仅支持贪婪模式，能匹配个多少就匹配多少个） 
%% 一个精度符

尤其：在sscanf的type正则段中，^代表不允许包含

 

（1）提取开头和结尾的英文
char res1[5];
char res2[10];
sscanf("Abcd123--++？789efGH", "%5[a-zA-Z]%*[^a-zA-Z]%10[a-zA-Z]",  res1,  res2);
结果为：返回值=1，res1 = "Abcd",    res2 = "efGH"

解释：格式串分了3段：
①%5[a-zA-Z]，其中5代表：如果匹配成功的字符数<=5，那就输出实际的字符数；如果匹配成功的字符数>5，那么最多向结果缓冲区输出匹配出的5个字符，第二个%匹配段将从第6个字符开始检查。
②%*[^a-zA-Z]，其中*号代表匹配出的结果不输出，[^a-zA-Z]代表匹配不含a-zA-Z的最长字符串。
③不再赘述，同①。

（2）只有以Tom打头的字符串才提取年龄值
uint8_t age;
int cnt = sscanf("Tom: 12", "Tom: %d", &age);//结果：cnt=1，age=12
//int cnt = sscanf("Lucy: 10", "Tom: %d", &age);//结果：cnt = 0（匹配成功了0个-->失败）， age=随机值

解释："Tom: %d"包含了两个%字段：
①Tom 代表匹配“以Tom: 打头，且后面跟着一个冒号一个空格”的字符串，但不捕获。
②%d，匹配一个整数并输出到结果缓冲区

（3）从一堆乱文中提取QQ邮箱
char src[] = "china dfashfkh [email protected]";    
char res[2][12];    
int cnt = sscanf(src, "%*[^0-9]%12[0-9]@qq.com", res[0]);    
printf("%[email protected]", res[0]);
结果：cnt = 1， "[email protected]"

解释：用到了2个%匹配段
①%*[^0-9]代表尽可能长的匹配一个不含数字的字符串，但不捕获
②%12[0-9]代表最长捕获12位数字

实际上，上述正则段有bug，主要原因在于第①个匹配段，一旦QQ邮箱之前出现了数字，那么这段程序就不能正常工作了，例如：src[]="[email protected]"，就会匹配到"888"。

这个问题怎么解决呢？
问题出在这里：我要首先匹配到一个QQ号，但不是所有的数字串都是QQ号，只有后面紧跟“@qq.com”字串的数值才是QQ号。原因分析清楚就好办了，写个循环或者递归即可，相比完全从0手写，还是要简单一点。

（4）判断一个字符串是不是163邮箱

sscanf("[email protected]",  "%[0-9a-zA-Z_]@163.co%[m]",  res[0], res[1]);
结果：返回值=2（判断成功），res[0] = "dfsadfa",  res[1] = "m"

解释：
①%[0-9a-zA-Z_]代表捕获以数字、英文、下划线组成的最长字串
②%[m]代表捕获字符m。

为什么要单独写一个%[m]？主要是考虑到sscanf的功能太弱，匹配或判断时只会保证本%字段的前缀完全匹配，而不会考虑后缀是否匹配。为了更好的理解这一问题，我们继续看这个例子：

如果我们把正则段换成fmt[] = “%[0-9a-zA-Z_]@163.com"，那么，
sscanf("[email protected]", fmt, &res[0])
sscanf("[email protected]", fmt, &res[0])
sscanf("wangyi+-？qwr", fmt, &res[0])
这三个都会返回1，无法用来判断或提取163邮箱。通过一个小技巧，把"@163.co"作为提取"m"的前缀，就能有效解决这一问题！
这个正则段还可以再优化一下，减小内存占用，写成用户名字段只匹配不捕获："%*[0-9a-zA-Z_]@163.co%[m]"，这样，只要sscanf返回1就认为是163邮箱，返回0就认为不是。

同理这个技巧，也可用在上面提取QQ邮箱的例子中。

 

最后，sscanf的正则实际上功能非常弱，只要表现在，对于有前缀的字段比较容易提取或判断，例如上面Tom的例子，对于利用后缀的字段，较为麻烦，需要考虑的陷阱较多。虽然功能弱了点，但总比没有强。

总结：

如果想利用后缀来判断或提取子串，那么就把后缀的最后一个字符c，写入“捕获段（不带*）”。

 

后记：经实测，%[0-9]、[A-E]这种区间通配符在电脑上没问题，但在STM32上不起作用，在32上[0-9]代表捕获0、-、9这三个字符，要想捕获区间只能这么写了：[0123456789]、[ABCDE]，遗憾