Regex, кажется, не прав - не может найти электронную почту

Question

У меня проблема с моей функцией, которая пытается найти адреса электронной почты. Понятия не имею в чем может быть проблема:(

static int contains_mail(const unsigned char *buffer, int length, int detmode)
{
    const char *reg_exp = "([A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z0-9._%+-]+)";

    regex_t regex;
    int reti;
    regmatch_t matches[2];

    int start0, end0, start1, end1;

    reti = regcomp(&regex, reg_exp, REG_EXTENDED);

    if(reti){ fprintf(stderr, "Could not compile regex\n"); exit(1); }

    reti = regexec(&regex, buffer, 2, matches, 0);

    start0 = matches[0].rm_so;
    end0 = matches[0].rm_eo;
    start1 = matches[1].rm_so;
    end1 = matches[1].rm_eo;

    printf("start0: %d", start0);
    printf("end0: %d", end0);
    printf("start1: %d", start1);
    printf("end1: %d", end1);

    if( !reti ){
        //printf("1");
        return 1;
    } else {
        //printf("0");
        return 0;
    }
}

Пример входного файла:

dfo gpdf eriowepower riwope [e-mail] rwepoir weporsdfi [e-mail] OSIDQOPWIEPOQWIE [e-mail]
WERO IWUEOIRU OWIERU WOIER [e-mail]
aposidasop aposdi aspod iaspodi aspoid aspodi [e-mail]
werowerowe

Похоже, это началось с:

start0: 28end0: 28start1: 1end1: 8

но тогда похоже, что он не знает, что такое конец письма, поэтому я не могу его подсчитать:(

Answer 1

Быстрый вопрос, как вы проходите во входном файле? Как будто я определяю, а затем называю это следующим образом:

char string[] = "dfo gpdf eriowepower riwope [e-mail] rwepoir weporsdfi [e-mail] OSIDQOPWIEPOQWIE [e-mail]\n\
WERO IWUEOIRU OWIERU WOIER [e-mail]\n\
aposidasop aposdi aspod iaspodi aspoid aspodi [e-mail]\n\
werowerowe\n";

contains_mail(string, 0, 0);

И измените свой contains_mail функция для многократного вызова regexec следующим образом:

reti = regexec(&regex, buffer, 2, matches, 0);
while (reti == 0) {
        start0 = matches[0].rm_so;
        end0 = matches[0].rm_eo;
        start1 = matches[1].rm_so;
        end1 = matches[1].rm_eo;

        printf("start0: %d ", start0);
        printf("end0: %d\n", end0);
        printf("start1: %d ", start1);
        printf("end1: %d\n", end1);
        printf("email: %.*s\n", end1 - start1, buffer + start1);
        buffer += end1;
        reti = regexec(&regex, buffer, 2, matches, REG_NOTBOL);
} 

Я получаю все спички:

$ ./email_regex
start0: 28 end0: 34
start1: 28 end1: 34
email: [e-mail]
start0: 19 end0: 42
start1: 19 end1: 42
email: [e-mail]
start0: 18 end0: 31
start1: 18 end1: 31
email: [e-mail]
start0: 28 end0: 43
start1: 28 end1: 43
email: [e-mail]
start0: 47 end0: 66
start1: 47 end1: 66
email: [e-mail]

Я согласен с другими комментариями, ваше регулярное выражение может быть не лучшим для получения адресов электронной почты. Но что вы на самом деле пытаетесь сделать?

Answer 2

Функция regexec всегда находит не более одного вхождения вашего регулярного выражения. Первое совпадение (с индексом 0) содержит начальные конечные позиции для всего совпадения, следующие совпадения содержат данные для подвыражений в скобках. (Скобки вокруг целых выражений в вашем примере не имеют смысла, но они приводят к одинаковым позициям для совпадений 0 и 1, возможно, вводя вас в заблуждение, заставляя вас думать, что одни и те же xpressions анализируются много раз.)

Вы можете искать свое выражение в цикле while, где вы перемещаете указатель после успешного совпадения в oder, чтобы найти больше адресов e-nail. Следующая модификация вашего кода печатает все найденные адреса электронной почты и возвращает количество совпадений.

static int contains_mail(const char *buffer, int length)
{
    const char *reg_exp =
        "[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\\.[A-Za-z0-9._%+-]+";

    regex_t regex;
    regmatch_t match;
    int count = 0;

    if (regcomp(&regex, reg_exp, REG_EXTENDED) < 0) {
        fprintf(stderr, "Could not compile regex\n");
        exit(1);
    }

    while (regexec(&regex, buffer, 1, &match, 0) == 0) {
        int start = match.rm_so;
        int end = match.rm_eo;

        printf("%.*s\n", end - start, buffer + start);
        count++;
        buffer = buffer + end;
    }

    return count;
}