【IT168 服务器学院】正则表达式是什么？ 正则表达式用于查找和替换字符串中的模式。正则表达式是用某种语法定义的，正则表达式引擎采用这种语法并将它与字符串进行比较。引擎返回字符串是否与语法匹配的指示；也即，该字符串是否包含能够从该语法派生的子串。此外，引擎还能够返回匹配的子串。术语“模式（pattern）”用来表示语法。
最基本的模式仅由单个字母组成。当与该模式进行比较时，包含这个字母的字符串就是一个“匹配”。例如，如果模式是“a”，则字符串“abcd”就是一个匹配，而字符串“xyz”则不是。正则表达式的强大功能来自于预定义的运算符（也称为元字符），它们可以用很小的空间来表示模式。根据“方言”和受支持的功能，可以使用不同的元字符。通常，其中的一些可用字符如下：
| — 二中择一
[ ] — 分组
* — 多次出现（也匹配零次出现）
+ — 多次出现（至少一次）
? — 随意的出现次数
\\\\ — 反斜杠
|
不同的系统实现了常用正则表达式的各种扩展。编程语言 Perl 中使用的正则表达式支持进一步的缩写。本文中所用的库实现了这些扩展。下面摘录了其中部分可以在 Perl 正则表达式语言中使用的缩写：
\\s — 任意空白字符
\\w — 任意字母数字字符
\\d — 任意数字字符
|
另一个更高级的示例是模式“[A-Z]* = ([0-9]|0x00);”。与这个模式相匹配的字符串包含这样的子串：它由几个大写字母、后面跟上一个空格、一个等号、另一个空格，然后是一个数字或字符串“0x00”组成。该子串的最后一个字符必须是分号。使用 Perl，这个模式可以表示为“\\w* = (\\d|0x00);”。“NM = 0x00;”和“X = 7;”是两个可以与该模式匹配的字符串。但字符串“Z = 123;”不能匹配，因为 123 是由三个数字所组成的。
DB2 中的字符串匹配
除了 Extender 以外，DB2 还允许几种用于文本比较的函数和运算符。但那些函数和运算符要么在用于模式匹配的功能方面有限制，要么就是会给可能使用它们的查询带来复杂性。这里简要地摘录几个可用的功能：
= 或 <> 谓词：逐字符地比较两个字符串是否相等。
LIKE 谓词：使用通配符的基本模式匹配。
LOCATE 函数：在字符串中查找子串。
尽管也可以用 SQL 运算符表示模式“[A-Z]* = ([0-9]|0x00);”，但那样会很麻烦。例如，下列 SELECT 语句的 WHERE 子句中所使用的谓词会匹配字符串“str”中等号之后的部分，如 清单 1所示：
清单 1. 使用 LIKE 匹配模式
SELECT str
FROM strTable
WHERE ( str LIKE ''% = 0;%'' OR str LIKE ''% = 1;%'' OR str LIKE ''% = 2;%''
OR str LIKE ''% = 3;%'' OR str LIKE ''% = 4;%'' OR str LIKE ''% = 5;%''
OR str LIKE ''% = 7;%'' OR str LIKE ''% = 7;%'' OR str LIKE ''% = 8;%''
OR str LIKE ''% = 9;%'' OR str LIKE ''% = 0x00;%'' )
|
这增加了可以匹配“[A-Z]*”子模式的谓词的复杂度，这可以使用对整个字符串进行迭代并进行逐字符比较的函数来完成，但您会发现使用内置功能既冗长又复杂。
示例方案
让我们定义下列清单（ 清单 2）并插入几行：
清单 2. 创建我们的样本表
CREATE TABLE strTable ( c1 INTEGER, str VARCHAR(500) );
INSERT INTO strTable VALUES ( 1, ''some text;'' ),
( 2, ''variable = 1234;'' ),
( 3, ''var2 = ''''string variable'''';'' ),
( 4, ''xyz = '' ),
( 5, ''myVar = 0x00;'' ),
( 6, ''# comment'' ),
( 7, ''abc = def'' );
|
这个 清单及其数据被用于下面的所有示例。
SELECT * FROM strTable;
C1 STR
----------- ------------------------------
1 some text;
2 variable = 1234;
3 var2 = ''string variable'';
4 xyz =
5 myVar = 0x00;
6 # comment
7 abc = def
7 record(s) selected.
|
实现模式匹配函数
您可以使用 DB2 的可扩展机制，在 SQL 语句内使用 UDF，以便显著地改善这种情形。通过定义名为 regex1 的 UDF（它采用模式和字符串作为输入参数）， 清单 1中的 WHERE 子句现在可以写得象 清单 3中所示的那样：
清单 3. 使用 regex UDF 来简化模式匹配
SELECT str
FROM strTable
WHERE regex1(''\\w* = (\\d|0x00);'', str) = 1
|
在本示例中，使用带有 Perl 扩展的正则表达式来匹配完整的模式，而不仅仅是 清单 1中给出的 LIKE 谓词所对应的部分模式。正如您所看到的，使用函数来为该模式编写谓词比用 LIKE 谓词表示同样的语义要容易得多。
实现 UDF
在我的示例实现中，我选择了现有的名为 PCRE（Perl 兼容的正则表达式，Perl-compatible regular expression）的模式匹配引擎。该引擎提供了用来处理模式和执行匹配的 C API。该引擎和查询中所用的 SQL 语言之间“缺失的部分”是 UDF。该 UDF 由两部分组成：
- 在数据库中创建（或注册）该函数的 CREATE FUNCTION 语句。
- 该函数的主体，它实现了用于正则表达式匹配引擎的 C API 调用的封装器
清单 4显示了用于创建该函数的 SQL 语句。
清单 4. 注册 regex1 函数
CREATE FUNCTION regex1(pattern VARCHAR(2048), string CLOB(10M))
RETURNS INTEGER
SPECIFIC regexSimple
EXTERNAL NAME ''regexUdf!regexpSimple''
LANGUAGE C
PARAMETER STYLE DB2SQL
DETERMINISTIC
NOT FENCED
RETURNS NULL ON NULL INPUT
NO SQL
NO EXTERNAL ACTION
ALLOW PARALLEL;
|
注：请参阅 DB2 SQL Reference以获取所有子句的详细含义。可以修改参数的长度以适应您的需求。我在此处展示某些值并没有任何推荐使用它们的用意。
第二部分由一小段 C 代码组成，它实现了 UDF 入口点。在查询执行期间，DB2 为每个要与模式匹配的行调用这个入口点。 清单 5中的示例列出了该代码的清单。有关 pcre_* 函数和宏的描述，请参考 PCRE 库的文档。有关 C 代码的编译和共享库的构建，请参考 DB2 Application Development Guide。
清单 5. 实现 rege1x UDF 入口点的 C 代码
#include <pcre.h>
#include <sqludf.h>
void regexpSimple(
// input parameters
SQLUDF_VARCHAR *pattern, SQLUDF_CLOB *str,
// output
SQLUDF_INTEGER *match,
// null indicators
SQLUDF_NULLIND *pattern_ind, SQLUDF_NULLIND *str_ind,
SQLUDF_NULLIND *match_ind,
SQLUDF_TRAIL_ARGS)
{
pcre *re = NULL;
const char *error = NULL;
int errOffset = 0;
int rc = 0;
// we assume successful return
*match_ind = 0;
// compile the pattern to its internal representation
re = pcre_compile(pattern, 0 /* default options */, &error,
&errOffset, NULL);
if (re == NULL) {
snprintf(SQLUDF_MSGTX, 70, "Regexp compilation failed at "
"offset %d: %s\\n", errOffset, error);
strcpy(SQLUDF_STATE, "38900");
(*pcre_free)(re);
return;
}
// match the string againts the pattern
rc = pcre_exec(re, NULL, str->data, str->length, 0,
0 /* default options */, NULL, 0);
switch (rc) {
case PCRE_ERROR_NOMATCH:
*match = 0;
break;
case PCRE_ERROR_BADOPTION:
snprintf(SQLUDF_MSGTX, 70, "An unrecognized bit was set in the "
"options argument");
strcpy(SQLUDF_STATE, "38901");
break;
case PCRE_ERROR_NOMEMORY:
snprintf(SQLUDF_MSGTX, 70, "Not enough memory available.");
strcpy(SQLUDF_STATE, "38902");
break;
default:
if (rc < 0) {
snprintf(SQLUDF_MSGTX, 70, "A regexp match error "
"occured: %d", rc);
strcpy(SQLUDF_STATE, "38903");
}
else {
*match = 1;
}
break;
}
// cleanup
(*pcre_free)(re);
return;
}
|
用法示例
下列查询试图从表 strTable 中找出包含注释文本的所有字符串。注释以“#”开头，所以模式是“#”后跟非空文本。
SELECT c1, str
FROM strTable
WHERE regex1(''#\\s*\\w+'', str) = 1;
|
结果只包含 c1 = 6 的行。
C1 STR
----------- -------------------------
6 # comment;
1 record(s) selected.
|
在第二个示例中，我们试图找到这种赋值形式的字符串；即“text = text”。为了进一步缩小范围，我们只查找那些右端为数值的赋值。将十六进制表示法作为有效数值对待。
SELECT c1, str
FROM strTable
WHERE regex1(''\\w+\\s*=\\s*(\\d+|0x\\d\\d)'', str) = 1;
|
除了 c1 为 2 或 5 的两行以外，其它行都不包含数值的赋值，因此不会出现在结果中：
C1 STR
----------- -------------------------
2 variable = 1234;
5 myVar = 0x00;
2 record(s) selected.
|
