实战案例7：代码语法高亮：识别关键字、识别字符串、识别注释、识别数字

代码语法高亮，说白了就是给代码“上色”。你写代码的时候，编辑器里关键字是蓝色的，字符串是绿色的，注释是灰色的——这就是语法高亮。今天我们就用C语言和正则表达式，亲手实现一个迷你版的语法高亮器。

我个人习惯把这类工具叫做“代码染色器”。它不改变代码内容，只给不同词法单元打上标签。嗯，听起来简单，但坑不少。我曾经在一个嵌入式项目里，因为注释匹配写错了，导致整个文件高亮全乱掉，排查了整整一个下午。

核心思路：分而治之

语法高亮的核心逻辑其实就四个字：识别 + 标记。我们不需要一次性匹配所有东西，而是分类型逐个处理。我建议你按这个顺序来：

1. 先处理注释——注释优先级最高，一旦匹配，里面的内容全部忽略
2. 再处理字符串——字符串里的关键字不能高亮
3. 然后处理关键字——只匹配不在注释和字符串里的单词
4. 最后处理数字——整数、浮点数、十六进制数

为什么会这样？因为注释和字符串是“保护区”，里面的内容不能被当作关键字或数字处理。你想想看，如果先匹配关键字，结果把字符串里的 int 也染成蓝色，那就闹笑话了。

识别注释：单行和多行

C语言有两种注释：// 单行注释和 /* */ 多行注释。正则表达式怎么写？

// 单行注释：从 // 到行尾
//\/\/.*$

// 多行注释：从 /* 到 */，中间任意字符
//\/\*[\s\S]*?\*\/

注意那个 [\s\S]，它匹配任意字符包括换行。而 *? 是非贪婪匹配，防止匹配到第一个 */ 就停下。我在项目中遇到过一个问题：如果不用非贪婪，两个注释块之间的代码会被吞掉。比如：

/* 注释1 */
int a = 1;
/* 注释2 */

贪婪匹配会把从第一个 /* 到最后一个 */ 全部吃掉，中间的 int a = 1; 就没了。非贪婪匹配就能正确识别两个独立的注释。

识别字符串：双引号和单引号

字符串的匹配看起来简单，但坑很多。最基本的：

// 双引号字符串
//"[^"\\]*(?:\\.[^"\\]*)*"

// 单引号字符
//'[^'\\]*(?:\\.[^'\\]*)*'

这个正则为什么这么复杂？因为要处理转义字符。比如 "hello \"world\""，里面的 \" 是转义的双引号，不能当作字符串结束。我曾经在写一个代码分析工具时，忘了处理转义字符，结果用户代码里有个 printf("他说：\"你好\"");，整个高亮直接崩了。

识别关键字：精确匹配

C语言关键字大概有30多个。我们不需要全部列出来，但至少要覆盖最常用的：

// 关键字列表（部分）
auto, break, case, char, const, continue, default, do,
double, else, enum, extern, float, for, goto, if,
int, long, register, return, short, signed, sizeof,
static, struct, switch, typedef, union, unsigned, void,
volatile, while

正则匹配时，要用 \b 单词边界，防止匹配到变量名的一部分。比如 int 是关键字，但 intPtr 不是。用 \bint\b 就能区分。

// 匹配关键字
//\b(int|char|float|double|if|else|for|while|return|void|...)\b

我个人习惯把关键字按类型分组：类型关键字、控制流关键字、存储类关键字。这样在后续处理时，可以给不同类型的关键字分配不同颜色。

识别数字：整数、浮点数、十六进制

C语言的数字格式比较多：十进制整数、八进制（0开头）、十六进制（0x开头）、浮点数（带小数点或指数）。正则表达式要覆盖这些情况：

// 十进制整数
//\b\d+\b

// 十六进制整数
//\b0[xX][0-9a-fA-F]+\b

// 浮点数（带小数点或指数）
//\b\d+\.\d*([eE][+-]?\d+)?\b
//\b\.\d+([eE][+-]?\d+)?\b
//\b\d+[eE][+-]?\d+\b

注意顺序：先匹配十六进制，再匹配浮点数，最后匹配十进制整数。否则 0xFF 会被先匹配成 0 和 FF 两个数字。

完整实现：组合起来

下面是一个完整的C语言语法高亮函数。它读取一行代码，依次匹配注释、字符串、关键字、数字，并输出带HTML标签的结果。

#include <stdio.h>
#include <string.h>
#include <regex.h>

void highlight_line(const char *line) {
    regex_t regex;
    regmatch_t match;
    const char *p = line;
    
    // 定义正则表达式数组（按优先级排序）
    const char *patterns[] = {
        "//[^\n]*",                    // 单行注释
        "/\\*[^*]*\\*+(?:[^/*][^*]*\\*+)*/",  // 多行注释
        "\"[^\"\\\\]*(?:\\\\.[^\"\\\\]*)*\"", // 双引号字符串
        "'[^'\\\\]*(?:\\\\.[^'\\\\]*)*'",     // 单引号字符
        "\\b(0[xX][0-9a-fA-F]+)\\b",  // 十六进制数
        "\\b(\\d+\\.\\d*([eE][+-]?\\d+)?)\\b", // 浮点数
        "\\b(\\d+)\\b",               // 十进制整数
        "\\b(int|char|float|double|if|else|for|while|return|void)\\b" // 关键字
    };
    
    // 颜色映射
    const char *colors[] = {
        "gray", "gray", "green", "green",
        "blue", "blue", "blue", "purple"
    };
    
    while (*p) {
        int matched = 0;
        for (int i = 0; i < 8; i++) {
            regcomp(&regex, patterns[i], REG_EXTENDED);
            if (regexec(&regex, p, 1, &match, 0) == 0 && match.rm_so == 0) {
                // 输出匹配的内容，加上颜色标签
                printf("<span style='color:%s'>", colors[i]);
                printf("%.*s", (int)(match.rm_eo - match.rm_so), p);
                printf("</span>");
                p += match.rm_eo;
                matched = 1;
                regfree(&regex);
                break;
            }
            regfree(&regex);
        }
        if (!matched) {
            // 普通字符直接输出
            putchar(*p);
            p++;
        }
    }
    putchar('\n');
}

这段代码的核心逻辑是：从行首开始，依次尝试匹配8种模式。一旦匹配成功，就输出带颜色的HTML标签，然后移动指针继续。如果都不匹配，就当作普通字符输出。

知识体系图

下面这张图展示了语法高亮器的整体架构。你可以看到，输入代码经过四个阶段的处理，最终输出带颜色标签的HTML。

实际应用中的注意事项

在实际项目中，语法高亮器还需要考虑几个问题：

• 性能问题：如果文件很大（几千行），逐行编译正则表达式会很慢。我建议把正则表达式编译一次，重复使用。
• 多行注释的状态：注释可能跨行，需要记录当前是否在注释块内。可以用一个全局状态变量来跟踪。
• 字符串拼接：C语言允许相邻字符串自动拼接，比如 "hello" "world"。高亮时最好把它们当作一个整体。
• 预处理指令：#include、#define 等指令也需要特殊处理，通常用单独的颜色。

好了，这就是语法高亮器的核心实现。你可以在自己的项目里试试，把这段代码嵌入到网页生成工具中，就能实现代码的彩色展示。记住那个优先级顺序，这是整个高亮器不出错的关键。

---

公众号:蓝海资料掘金营，微信deep3321