~drizzle-trunk/drizzle/development

« back to all changes in this revision

Viewing changes to regex/regex.3

  • Committer: Brian Aker
  • Date: 2008-07-08 21:36:11 UTC
  • mfrom: (77.1.34 codestyle)
  • Revision ID: brian@tangent.org-20080708213611-b0k2zy8eldttqct3
Merging up Monty's changes

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
.TH REGEX 3 "17 May 1993"
2
 
.BY "Henry Spencer"
3
 
.de ZR
4
 
.\" one other place knows this name:  the SEE ALSO section
5
 
.IR regex (7) \\$1
6
 
..
7
 
.SH NAME
8
 
regcomp, regexec, regerror, regfree \- regular-expression library
9
 
.SH SYNOPSIS
10
 
.ft B
11
 
.\".na
12
 
#include <sys/types.h>
13
 
.br
14
 
#include <regex.h>
15
 
.HP 10
16
 
int regcomp(regex_t\ *preg, const\ char\ *pattern, int\ cflags);
17
 
.HP
18
 
int\ regexec(const\ regex_t\ *preg, const\ char\ *string,
19
 
size_t\ nmatch, regmatch_t\ pmatch[], int\ eflags);
20
 
.HP
21
 
size_t\ regerror(int\ errcode, const\ regex_t\ *preg,
22
 
char\ *errbuf, size_t\ errbuf_size);
23
 
.HP
24
 
void\ regfree(regex_t\ *preg);
25
 
.\".ad
26
 
.ft
27
 
.SH DESCRIPTION
28
 
These routines implement POSIX 1003.2 regular expressions (``RE''s);
29
 
see
30
 
.ZR .
31
 
.I Regcomp
32
 
compiles an RE written as a string into an internal form,
33
 
.I regexec
34
 
matches that internal form against a string and reports results,
35
 
.I regerror
36
 
transforms error codes from either into human-readable messages,
37
 
and
38
 
.I regfree
39
 
frees any dynamically-allocated storage used by the internal form
40
 
of an RE.
41
 
.PP
42
 
The header
43
 
.I <regex.h>
44
 
declares two structure types,
45
 
.I regex_t
46
 
and
47
 
.IR regmatch_t ,
48
 
the former for compiled internal forms and the latter for match reporting.
49
 
It also declares the four functions,
50
 
a type
51
 
.IR regoff_t ,
52
 
and a number of constants with names starting with ``REG_''.
53
 
.PP
54
 
.I Regcomp
55
 
compiles the regular expression contained in the
56
 
.I pattern
57
 
string,
58
 
subject to the flags in
59
 
.IR cflags ,
60
 
and places the results in the
61
 
.I regex_t
62
 
structure pointed to by
63
 
.IR preg .
64
 
.I Cflags
65
 
is the bitwise OR of zero or more of the following flags:
66
 
.IP REG_EXTENDED \w'REG_EXTENDED'u+2n
67
 
Compile modern (``extended'') REs,
68
 
rather than the obsolete (``basic'') REs that
69
 
are the default.
70
 
.IP REG_BASIC
71
 
This is a synonym for 0,
72
 
provided as a counterpart to REG_EXTENDED to improve readability.
73
 
.IP REG_NOSPEC
74
 
Compile with recognition of all special characters turned off.
75
 
All characters are thus considered ordinary,
76
 
so the ``RE'' is a literal string.
77
 
This is an extension,
78
 
compatible with but not specified by POSIX 1003.2,
79
 
and should be used with
80
 
caution in software intended to be portable to other systems.
81
 
REG_EXTENDED and REG_NOSPEC may not be used
82
 
in the same call to
83
 
.IR regcomp .
84
 
.IP REG_ICASE
85
 
Compile for matching that ignores upper/lower case distinctions.
86
 
See
87
 
.ZR .
88
 
.IP REG_NOSUB
89
 
Compile for matching that need only report success or failure,
90
 
not what was matched.
91
 
.IP REG_NEWLINE
92
 
Compile for newline-sensitive matching.
93
 
By default, newline is a completely ordinary character with no special
94
 
meaning in either REs or strings.
95
 
With this flag,
96
 
`[^' bracket expressions and `.' never match newline,
97
 
a `^' anchor matches the null string after any newline in the string
98
 
in addition to its normal function,
99
 
and the `$' anchor matches the null string before any newline in the
100
 
string in addition to its normal function.
101
 
.IP REG_PEND
102
 
The regular expression ends,
103
 
not at the first NUL,
104
 
but just before the character pointed to by the
105
 
.I re_endp
106
 
member of the structure pointed to by
107
 
.IR preg .
108
 
The
109
 
.I re_endp
110
 
member is of type
111
 
.IR const\ char\ * .
112
 
This flag permits inclusion of NULs in the RE;
113
 
they are considered ordinary characters.
114
 
This is an extension,
115
 
compatible with but not specified by POSIX 1003.2,
116
 
and should be used with
117
 
caution in software intended to be portable to other systems.
118
 
.PP
119
 
When successful,
120
 
.I regcomp
121
 
returns 0 and fills in the structure pointed to by
122
 
.IR preg .
123
 
One member of that structure
124
 
(other than
125
 
.IR re_endp )
126
 
is publicized:
127
 
.IR re_nsub ,
128
 
of type
129
 
.IR size_t ,
130
 
contains the number of parenthesized subexpressions within the RE
131
 
(except that the value of this member is undefined if the
132
 
REG_NOSUB flag was used).
133
 
If
134
 
.I regcomp
135
 
fails, it returns a non-zero error code;
136
 
see DIAGNOSTICS.
137
 
.PP
138
 
.I Regexec
139
 
matches the compiled RE pointed to by
140
 
.I preg
141
 
against the
142
 
.IR string ,
143
 
subject to the flags in
144
 
.IR eflags ,
145
 
and reports results using
146
 
.IR nmatch ,
147
 
.IR pmatch ,
148
 
and the returned value.
149
 
The RE must have been compiled by a previous invocation of
150
 
.IR regcomp .
151
 
The compiled form is not altered during execution of
152
 
.IR regexec ,
153
 
so a single compiled RE can be used simultaneously by multiple threads.
154
 
.PP
155
 
By default,
156
 
the NUL-terminated string pointed to by
157
 
.I string
158
 
is considered to be the text of an entire line, minus any terminating
159
 
newline.
160
 
The
161
 
.I eflags
162
 
argument is the bitwise OR of zero or more of the following flags:
163
 
.IP REG_NOTBOL \w'REG_STARTEND'u+2n
164
 
The first character of
165
 
the string
166
 
is not the beginning of a line, so the `^' anchor should not match before it.
167
 
This does not affect the behavior of newlines under REG_NEWLINE.
168
 
.IP REG_NOTEOL
169
 
The NUL terminating
170
 
the string
171
 
does not end a line, so the `$' anchor should not match before it.
172
 
This does not affect the behavior of newlines under REG_NEWLINE.
173
 
.IP REG_STARTEND
174
 
The string is considered to start at
175
 
\fIstring\fR\ + \fIpmatch\fR[0].\fIrm_so\fR
176
 
and to have a terminating NUL located at
177
 
\fIstring\fR\ + \fIpmatch\fR[0].\fIrm_eo\fR
178
 
(there need not actually be a NUL at that location),
179
 
regardless of the value of
180
 
.IR nmatch .
181
 
See below for the definition of
182
 
.IR pmatch
183
 
and
184
 
.IR nmatch .
185
 
This is an extension,
186
 
compatible with but not specified by POSIX 1003.2,
187
 
and should be used with
188
 
caution in software intended to be portable to other systems.
189
 
Note that a non-zero \fIrm_so\fR does not imply REG_NOTBOL;
190
 
REG_STARTEND affects only the location of the string,
191
 
not how it is matched.
192
 
.PP
193
 
See
194
 
.ZR
195
 
for a discussion of what is matched in situations where an RE or a
196
 
portion thereof could match any of several substrings of
197
 
.IR string .
198
 
.PP
199
 
Normally,
200
 
.I regexec
201
 
returns 0 for success and the non-zero code REG_NOMATCH for failure.
202
 
Other non-zero error codes may be returned in exceptional situations;
203
 
see DIAGNOSTICS.
204
 
.PP
205
 
If REG_NOSUB was specified in the compilation of the RE,
206
 
or if
207
 
.I nmatch
208
 
is 0,
209
 
.I regexec
210
 
ignores the
211
 
.I pmatch
212
 
argument (but see below for the case where REG_STARTEND is specified).
213
 
Otherwise,
214
 
.I pmatch
215
 
points to an array of
216
 
.I nmatch
217
 
structures of type
218
 
.IR regmatch_t .
219
 
Such a structure has at least the members
220
 
.I rm_so
221
 
and
222
 
.IR rm_eo ,
223
 
both of type
224
 
.I regoff_t
225
 
(a signed arithmetic type at least as large as an
226
 
.I off_t
227
 
and a
228
 
.IR ssize_t ),
229
 
containing respectively the offset of the first character of a substring
230
 
and the offset of the first character after the end of the substring.
231
 
Offsets are measured from the beginning of the
232
 
.I string
233
 
argument given to
234
 
.IR regexec .
235
 
An empty substring is denoted by equal offsets,
236
 
both indicating the character following the empty substring.
237
 
.PP
238
 
The 0th member of the
239
 
.I pmatch
240
 
array is filled in to indicate what substring of
241
 
.I string
242
 
was matched by the entire RE.
243
 
Remaining members report what substring was matched by parenthesized
244
 
subexpressions within the RE;
245
 
member
246
 
.I i
247
 
reports subexpression
248
 
.IR i ,
249
 
with subexpressions counted (starting at 1) by the order of their opening
250
 
parentheses in the RE, left to right.
251
 
Unused entries in the array\(emcorresponding either to subexpressions that
252
 
did not participate in the match at all, or to subexpressions that do not
253
 
exist in the RE (that is, \fIi\fR\ > \fIpreg\fR\->\fIre_nsub\fR)\(emhave both
254
 
.I rm_so
255
 
and
256
 
.I rm_eo
257
 
set to \-1.
258
 
If a subexpression participated in the match several times,
259
 
the reported substring is the last one it matched.
260
 
(Note, as an example in particular, that when the RE `(b*)+' matches `bbb',
261
 
the parenthesized subexpression matches each of the three `b's and then
262
 
an infinite number of empty strings following the last `b',
263
 
so the reported substring is one of the empties.)
264
 
.PP
265
 
If REG_STARTEND is specified,
266
 
.I pmatch
267
 
must point to at least one
268
 
.I regmatch_t
269
 
(even if
270
 
.I nmatch
271
 
is 0 or REG_NOSUB was specified),
272
 
to hold the input offsets for REG_STARTEND.
273
 
Use for output is still entirely controlled by
274
 
.IR nmatch ;
275
 
if
276
 
.I nmatch
277
 
is 0 or REG_NOSUB was specified,
278
 
the value of
279
 
.IR pmatch [0]
280
 
will not be changed by a successful
281
 
.IR regexec .
282
 
.PP
283
 
.I Regerror
284
 
maps a non-zero
285
 
.I errcode
286
 
from either
287
 
.I regcomp
288
 
or
289
 
.I regexec
290
 
to a human-readable, printable message.
291
 
If
292
 
.I preg
293
 
is non-NULL,
294
 
the error code should have arisen from use of
295
 
the
296
 
.I regex_t
297
 
pointed to by
298
 
.IR preg ,
299
 
and if the error code came from
300
 
.IR regcomp ,
301
 
it should have been the result from the most recent
302
 
.I regcomp
303
 
using that
304
 
.IR regex_t .
305
 
.RI ( Regerror
306
 
may be able to supply a more detailed message using information
307
 
from the
308
 
.IR regex_t .)
309
 
.I Regerror
310
 
places the NUL-terminated message into the buffer pointed to by
311
 
.IR errbuf ,
312
 
limiting the length (including the NUL) to at most
313
 
.I errbuf_size
314
 
bytes.
315
 
If the whole message won't fit,
316
 
as much of it as will fit before the terminating NUL is supplied.
317
 
In any case,
318
 
the returned value is the size of buffer needed to hold the whole
319
 
message (including terminating NUL).
320
 
If
321
 
.I errbuf_size
322
 
is 0,
323
 
.I errbuf
324
 
is ignored but the return value is still correct.
325
 
.PP
326
 
If the
327
 
.I errcode
328
 
given to
329
 
.I regerror
330
 
is first ORed with REG_ITOA,
331
 
the ``message'' that results is the printable name of the error code,
332
 
e.g. ``REG_NOMATCH'',
333
 
rather than an explanation thereof.
334
 
If
335
 
.I errcode
336
 
is REG_ATOI,
337
 
then
338
 
.I preg
339
 
shall be non-NULL and the
340
 
.I re_endp
341
 
member of the structure it points to
342
 
must point to the printable name of an error code;
343
 
in this case, the result in
344
 
.I errbuf
345
 
is the decimal digits of
346
 
the numeric value of the error code
347
 
(0 if the name is not recognized).
348
 
REG_ITOA and REG_ATOI are intended primarily as debugging facilities;
349
 
they are extensions,
350
 
compatible with but not specified by POSIX 1003.2,
351
 
and should be used with
352
 
caution in software intended to be portable to other systems.
353
 
Be warned also that they are considered experimental and changes are possible.
354
 
.PP
355
 
.I Regfree
356
 
frees any dynamically-allocated storage associated with the compiled RE
357
 
pointed to by
358
 
.IR preg .
359
 
The remaining
360
 
.I regex_t
361
 
is no longer a valid compiled RE
362
 
and the effect of supplying it to
363
 
.I regexec
364
 
or
365
 
.I regerror
366
 
is undefined.
367
 
.PP
368
 
None of these functions references global variables except for tables
369
 
of constants;
370
 
all are safe for use from multiple threads if the arguments are safe.
371
 
.SH IMPLEMENTATION CHOICES
372
 
There are a number of decisions that 1003.2 leaves up to the implementor,
373
 
either by explicitly saying ``undefined'' or by virtue of them being
374
 
forbidden by the RE grammar.
375
 
This implementation treats them as follows.
376
 
.PP
377
 
See
378
 
.ZR
379
 
for a discussion of the definition of case-independent matching.
380
 
.PP
381
 
There is no particular limit on the length of REs,
382
 
except insofar as memory is limited.
383
 
Memory usage is approximately linear in RE size, and largely insensitive
384
 
to RE complexity, except for bounded repetitions.
385
 
See BUGS for one short RE using them
386
 
that will run almost any system out of memory.
387
 
.PP
388
 
A backslashed character other than one specifically given a magic meaning
389
 
by 1003.2 (such magic meanings occur only in obsolete [``basic''] REs)
390
 
is taken as an ordinary character.
391
 
.PP
392
 
Any unmatched [ is a REG_EBRACK error.
393
 
.PP
394
 
Equivalence classes cannot begin or end bracket-expression ranges.
395
 
The endpoint of one range cannot begin another.
396
 
.PP
397
 
RE_DUP_MAX, the limit on repetition counts in bounded repetitions, is 255.
398
 
.PP
399
 
A repetition operator (?, *, +, or bounds) cannot follow another
400
 
repetition operator.
401
 
A repetition operator cannot begin an expression or subexpression
402
 
or follow `^' or `|'.
403
 
.PP
404
 
`|' cannot appear first or last in a (sub)expression or after another `|',
405
 
i.e. an operand of `|' cannot be an empty subexpression.
406
 
An empty parenthesized subexpression, `()', is legal and matches an
407
 
empty (sub)string.
408
 
An empty string is not a legal RE.
409
 
.PP
410
 
A `{' followed by a digit is considered the beginning of bounds for a
411
 
bounded repetition, which must then follow the syntax for bounds.
412
 
A `{' \fInot\fR followed by a digit is considered an ordinary character.
413
 
.PP
414
 
`^' and `$' beginning and ending subexpressions in obsolete (``basic'')
415
 
REs are anchors, not ordinary characters.
416
 
.SH SEE ALSO
417
 
grep(1), regex(7)
418
 
.PP
419
 
POSIX 1003.2, sections 2.8 (Regular Expression Notation)
420
 
and
421
 
B.5 (C Binding for Regular Expression Matching).
422
 
.SH DIAGNOSTICS
423
 
Non-zero error codes from
424
 
.I regcomp
425
 
and
426
 
.I regexec
427
 
include the following:
428
 
.PP
429
 
.nf
430
 
.ta \w'REG_ECOLLATE'u+3n
431
 
REG_NOMATCH     regexec() failed to match
432
 
REG_BADPAT      invalid regular expression
433
 
REG_ECOLLATE    invalid collating element
434
 
REG_ECTYPE      invalid character class
435
 
REG_EESCAPE     \e applied to unescapable character
436
 
REG_ESUBREG     invalid backreference number
437
 
REG_EBRACK      brackets [ ] not balanced
438
 
REG_EPAREN      parentheses ( ) not balanced
439
 
REG_EBRACE      braces { } not balanced
440
 
REG_BADBR       invalid repetition count(s) in { }
441
 
REG_ERANGE      invalid character range in [ ]
442
 
REG_ESPACE      ran out of memory
443
 
REG_BADRPT      ?, *, or + operand invalid
444
 
REG_EMPTY       empty (sub)expression
445
 
REG_ASSERT      ``can't happen''\(emyou found a bug
446
 
REG_INVARG      invalid argument, e.g. negative-length string
447
 
.fi
448
 
.SH HISTORY
449
 
Written by Henry Spencer at University of Toronto,
450
 
henry@zoo.toronto.edu.
451
 
.SH BUGS
452
 
This is an alpha release with known defects.
453
 
Please report problems.
454
 
.PP
455
 
There is one known functionality bug.
456
 
The implementation of internationalization is incomplete:
457
 
the locale is always assumed to be the default one of 1003.2,
458
 
and only the collating elements etc. of that locale are available.
459
 
.PP
460
 
The back-reference code is subtle and doubts linger about its correctness
461
 
in complex cases.
462
 
.PP
463
 
.I Regexec
464
 
performance is poor.
465
 
This will improve with later releases.
466
 
.I Nmatch
467
 
exceeding 0 is expensive;
468
 
.I nmatch
469
 
exceeding 1 is worse.
470
 
.I Regexec
471
 
is largely insensitive to RE complexity \fIexcept\fR that back
472
 
references are massively expensive.
473
 
RE length does matter; in particular, there is a strong speed bonus
474
 
for keeping RE length under about 30 characters,
475
 
with most special characters counting roughly double.
476
 
.PP
477
 
.I Regcomp
478
 
implements bounded repetitions by macro expansion,
479
 
which is costly in time and space if counts are large
480
 
or bounded repetitions are nested.
481
 
An RE like, say,
482
 
`((((a{1,100}){1,100}){1,100}){1,100}){1,100}'
483
 
will (eventually) run almost any existing machine out of swap space.
484
 
.PP
485
 
There are suspected problems with response to obscure error conditions.
486
 
Notably,
487
 
certain kinds of internal overflow,
488
 
produced only by truly enormous REs or by multiply nested bounded repetitions,
489
 
are probably not handled well.
490
 
.PP
491
 
Due to a mistake in 1003.2, things like `a)b' are legal REs because `)' is
492
 
a special character only in the presence of a previous unmatched `('.
493
 
This can't be fixed until the spec is fixed.
494
 
.PP
495
 
The standard's definition of back references is vague.
496
 
For example, does
497
 
`a\e(\e(b\e)*\e2\e)*d' match `abbbd'?
498
 
Until the standard is clarified,
499
 
behavior in such cases should not be relied on.
500
 
.PP
501
 
The implementation of word-boundary matching is a bit of a kludge,
502
 
and bugs may lurk in combinations of word-boundary matching and anchoring.