Regulární výrazy

[dadam]

Zdravím,
mám URL, např. http://forum.ubuntu.cz:80/index.php, a potřeboval bych z toho dostat údaje potřebné pro vytvoření a odeslání HTTP požadavku. Mělo by se to provést přes regulární výrazy. Zkoušel jsem funkce regex (http://www.gnu.org/s/libc/manual/html_node/Regular-Expressions.html#Regular-Expressions) nicméně ty mě nevyhovují v tom, že pokud chci získat řekněme jméno serveru, tak výraz

Kód: [Vybrat]

(http://)?[^/:]*
mi označí (doufám, začínám s tím a netestoval jsem to) adresu i s řetězcem "http://". Co s tím? Uvažoval jsem o použití sedu, zpracovat a nechat si vypsat potřebné údaje oddělené mezerami, nicméně se mi moc nechce používat popen() (připadne mi to jako relativně špatně ošetřitelný postup) a nějaký sed api jsem taky nenašel. Naprosto ideální by byla nějaká funkce, která by načetla řetězec, prohnala ho regulárním výrazem a vrátila jen hodnoty která já definuji.

[starenka]

grep defaultne vraci celou radku, mozna tam byl problem. zkus to pustit s -o

(na regular jsem nekoukal)

[dadam]

Grep? Ten tu nepoužívám

[starenka]

No zrejme je jasny, ze dlas v c jen tobe

[dadam]

Máš pravdu, omlouvám se, zapomněl jsem zmínit že to dělám v céčku.

[jfoot]

Zdravím Vás,

jen si dovolím doplnit starenku,  tímto jej zdravím... :

pokud bude  struktura parsovaných řetězců statická, tedy budou vždy typu : "hhtp://neco_1/neco_2/......../neco_n",
je jedno z řešení je provést "rozsekání" vstupního řetězce na tokens, podle zvoleného delimiteru.

Mělo by se to provést přes regulární výrazy.

To je možné, pokud je k dispozici  c knihovna, která poskytuje metodu typu split. Té se předhodí parsovaný řetězec,
předhodí se jí dále hodnota delimiteru (jako regulární výraz) a ona vrátí pole tokens (řetězců).  Pokud byste na řetězec
http://forum.ubuntu.cz:80/index.php,  aplikoval delimiter "/", tak by split měl vrátit : String tokens [] ={"hhtp:", "", "forum.ubuntu.cz:80","index.php,"}. Při statické struktuře je jméno serveru vždy na tokens[2], tedy zde je jím forum.ubuntu.cz:80

Pokud netrváte na použití regexu, tak obdobnou funkčnost, pokud se nepletu, jako split poskytuje c metoda
 char *strtok( char *str1, const char *str2 );

[dadam]

Ona tam statická struktura nebude. "http://" je volitelné, zápis portu je taky volitelný, může se klidně jednat jen o řetězec "forum.ubuntu.cz". Chápu to tedy tak, že žádná knihovna, která by poskytovala funkce sedu (stačila by např. jedna funkce: int sed (char *re, char *input, char *output, size_t output_length)) neexistuje?

[pajus]

# include <regex.h>
http://www.opengroup.org/onlinepubs/007908799/xsh/regex.h.html

ja to s nimy resim v pohode

podivej se na struktury.
  regex_t re
  regmatch_t 
a funkci regexec()

pak napises vyraz treba char *patter="^(http://)?(www.ubutnu.cz)(:80)?$"
po funkci regexec() se ti do struktury regmatch se ti pak ulozi ukazatele na konec a na zacatek hledanych casti - ty ve vyrazu zavorkujes...

[dadam]

Na regex už jsem se díval, ale o tom závorkování jsem nevěděl, děkuju, k++. Možná jsem něco blbě pochopil, ale dá se nějal zjistit, kolik podvýrazů bylo rozpoznáno? Resp. kolik struktur regmatch_t je naplněno validními údaji? Zatím jsem to nikde nenašel....

[pajus]

regmatch_t  pmatch[3];

if(pmatch[1].rm_eo - pmatch[1].rm_so != 0) // pokud  sem nasel prvni uzavorkovanou cast tak rozdil tech ukazatelu je nenulovy tzn ukazuji stejne a nic se nenaslo. zadny podretezec

Jinak samozrejme musis mit regvyraz prelozeny a spravne porovnany funkce regcomp() a regexec().
Doufamze je to ono co jsi myslel

[dadam]

Dá se nějak zařídit, aby se určitý uzávorkovaný výraz nezapisoval do regmatch? Třeba počáteční http:// tam nepotřebuju... (Důvod je jiný, nicméně toto je jednodušší)

[Yur4Y]

Myslím, že zápisom (?:http://).

[dadam]

Výcuc ze zdrojáku:

Kód: [Vybrat]

char regexp[] = "(?:http://)";
error = regcomp(&compiled, regexp, REG_EXTENDED);

A výstup z programu:

Kód: [Vybrat]

adam@loki:~/programovani/regexp$ ./main http://www.google.cz/dir/file.fil
Invalid preceding regular expression


[pajus]

Kód: [Vybrat]

char *regexp ="^(http://)?.*$";bacha na to melo by tam byt i ukonceni v tom regexp - coz je vzorek podle ktereho reg vyraz hledas. cili zacina http a ktere je volitelne '?' a pak pokracuje libovolnymi znaky az do konce '$'