1       為什么要了解引擎匹配原理

一個個音符雜亂無章的組合在一起，彈奏出的或許就是噪音，同樣的音符經(jīng)過作曲家的手，就可以譜出非常動聽的樂曲，一個演奏者同樣可以照著樂譜奏出動聽的樂曲，但他/她或許不知道該如何去改變音符的組合，使得樂曲更動聽。

作為正則的使用者也一樣，不懂正則引擎原理的情況下，同樣可以寫出滿足需求的正則，但是不知道原理，卻很難寫出高效且沒有隱患的正則。所以對于經(jīng)常使用正則，或是有興趣深入學習正則的人，還是有必要了解一下正則引擎的匹配原理的。

2       正則表達式引擎

正則引擎大體上可分為不同的兩類：DFA和NFA，而NFA又基本上可以分為傳統(tǒng)型NFA和POSIX NFA。

DFA Deterministic finite automaton 確定型有窮自動機

NFA Non-deterministic finite automaton　非確定型有窮自動機

Traditional NFA

POSIX NFA

DFA引擎因為不需要回溯，所以匹配快速，但不支持捕獲組，所以也就不支持反向引用和$number這種引用方式，目前使用DFA引擎的語言和工具主要有awk、egrep 和 lex。

POSIX NFA主要指符合POSIX標準的NFA引擎，它的特點主要是提供longest-leftmost匹配，也就是在找到最左側最長匹配之前，它將繼續(xù)回溯。同DFA一樣，非貪婪模式或者說忽略優(yōu)先量詞對于POSIX NFA同樣是沒有意義的。

大多數(shù)語言和工具使用的是傳統(tǒng)型的NFA引擎，它有一些DFA不支持的特性：

　　捕獲組、反向引用和$number引用方式；

　　環(huán)視(Lookaround，(?<=…)、(?<!…)、(?=…)、(?!…))，或者有的有文章叫做預搜索；

　　忽略優(yōu)化量詞（??、*?、+?、{m,n}?、{m,}?），或者有的文章叫做非貪婪模式；

　　占有優(yōu)先量詞（?+、*+、++、{m,n}+、{m,}+，目前僅Java和PCRE支持），固化分組(?>…)。

引擎間的區(qū)別不是本文的重點，僅做簡要的介紹，有興趣的可參考相關文獻。

3       預備知識

3.1     字符串組成

對于字符串“abc”而言，包括三個字符和四個位置。

3.2     占有字符和零寬度

正則表達式匹配過程中，如果子表達式匹配到的是字符內(nèi)容，而非位置，并被保存到最終的匹配結果中，那么就認為這個子表達式是占有字符的；如果子表達式匹配的僅僅是位置，或者匹配的內(nèi)容并不保存到最終的匹配結果中，那么就認為這個子表達式是零寬度的。

占有字符是互斥的，零寬度是非互斥的。也就是一個字符，同一時間只能由一個子表達式匹配，而一個位置，卻可以同時由多個零寬度的子表達式匹配。

3.3     控制權和傳動

正則的匹配過程，通常情況下都是由一個子表達式（可能為一個普通字符、元字符或元字符序列組成）取得控制權，從字符串的某一位置開始嘗試匹配，一個子表達式開始嘗試匹配的位置，是從前一子表達匹配成功的結束位置開始的。如正則表達式：

(子表達式一)(子表達式二)

假設(子表達式一)為零寬度表達式，由于它匹配開始和結束的位置是同一個，如位置0，那么(子表達式二)是從位置0開始嘗試匹配的。

假設(子表達式一)為占有字符的表達式，由于它匹配開始和結束的位置不是同一個，如匹配成功開始于位置0，結束于位置2，那么(子表達式二)是從位置2開始嘗試匹配的。

而對于整個表達式來說，通常是由字符串位置0開始嘗試匹配的。如果在位置0開始的嘗試，匹配到字符串某一位置時整個表達式匹配失敗，那么引擎會使正則向前傳動，整個表達式從位置1開始重新嘗試匹配，依此類推，直到報告匹配成功或嘗試到最后一個位置后報告匹配失敗。

4       正則表達式簡單匹本過程

4.1     基礎匹配過程

源字符串：abc

正則表達式：abc

匹配過程：

首先由字符“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字符“b”；由于“a”已被“a”匹配，所以“b”從位置1開始嘗試匹配，由“b”來匹配“b”，匹配成功，控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。

4.2     含有匹配優(yōu)先量詞的匹配過程——匹配成功（一）

源字符串：abc

正則表達式：ab?c

量詞“?”屬于匹配優(yōu)先量詞，在可匹配可不匹配時，會先選擇嘗試匹配，只有這種選擇會使整個表達式無法匹配成功時，才會嘗試讓出匹配到的內(nèi)容。這里的量詞“?”是用來修飾字符“b”的，所以“b?”是一個整體。

匹配過程：

首先由字符“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字符“b?”；由于“?”是匹配優(yōu)先量詞，所以會先嘗試進行匹配，由“b?”來匹配“b”，匹配成功，控制權交給“c”，同時記錄一個備選狀態(tài)；由“c”來匹配“c”，匹配成功。記錄的備選狀態(tài)丟棄。

此時正則表達式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。

4.3     含有匹配優(yōu)先量詞的匹配過程——匹配成功（二）

源字符串：ac

正則表達式：ab?c

匹配過程：

首先由字符“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字符“b?”；先嘗試進行匹配，由“b?”來匹配“c”，同時記錄一個備選狀態(tài)，匹配失敗，此時進行回溯，找到備選狀態(tài)，“b?”忽略匹配，讓出控制權，把控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果為“ac”，開始位置為0，結束位置為2。其中“b?”不匹配任何內(nèi)容。

4.4     含有匹配優(yōu)先量詞的匹配過程——匹配失敗

源字符串：abd

正則表達式：ab?c

匹配過程：

首先由字符“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字符“b?”；先嘗試進行匹配，由“b?”來匹配“b”，同時記錄一個備選狀態(tài)，匹配成功，控制權交給“c”；由“c”來匹配“d”，匹配失敗，此時進行回溯，找到記錄的備選狀態(tài)，“b?”忽略匹配，即“b?”不匹配“b”，讓出控制權，把控制權交給“c”；由“c”來匹配“b”，匹配失敗。此時第一輪匹配嘗試失敗。

正則引擎使正則向前傳動，由位置1開始嘗試匹配，由“a”來匹配“b”，匹配失敗，沒有備選狀態(tài)，第二輪匹配嘗試失敗。

繼續(xù)向前傳動，直到在位置3嘗試匹配失敗，匹配結束。此時報告整個表達式匹配失敗。

4.5     含有忽略優(yōu)先量詞的匹配過程——匹配成功

源字符串：abc

正則表達式：ab??c

量詞“??”屬于忽略優(yōu)先量詞，在可匹配可不匹配時，會先選擇不匹配，只有這種選擇會使整個表達式無法匹配成功時，才會嘗試進行匹配。這里的量詞“??”是用來修飾字符“b”的，所以“b??”是一個整體。

匹配過程：

首先由字符“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字符“b??”；先嘗試忽略匹配，即“b??”不進行匹配，同時記錄一個備選狀態(tài)，控制權交給“c”；由“c”來匹配“b”，匹配失敗，此時進行回溯，找到記錄的備選狀態(tài)，“b??”嘗試匹配，即“b??”來匹配“b”，匹配成功，把控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。其中“b??”匹配字符“b”。

4.6     零寬度匹配過程

源字符串：a12

正則表達式：^(?=[a-z])[a-z0-9]+$

元字符“^”和“$”匹配的只是位置，順序環(huán)視“(?=[a-z])”只進行匹配，并不占有字符，也不將匹配的內(nèi)容保存到最終的匹配結果，所以都是零寬度的。

這個正則的意義就是匹配由字母和數(shù)字組成的，第一個字符是字母的字符串。

匹配過程：

首先由元字符“^”取得控制權，從位置0開始匹配，“^”匹配的就是開始位置“位置0”，匹配成功，控制權交給順序環(huán)視“(?=[a-z])”；

“(?=[a-z])”要求它所在位置右側必須是字母才能匹配成功，零寬度的子表達式之間是不互斥的，即同一個位置可以同時由多個零寬度子表達式匹配，所以它也是從位置0嘗試進行匹配，位置0的右側是字符“a”，符合要求，匹配成功，控制權交給“[a-z0-9]+”；

因為“(?=[a-z])”只進行匹配，并不將匹配到的內(nèi)容保存到最后結果，并且“(?=[a-z])”匹配成功的位置是位置0，所以“[a-z0-9]+”也是從位置0開始嘗試匹配的，“[a-z0-9]+”首先嘗試匹配“a”，匹配成功，繼續(xù)嘗試匹配，可以成功匹配接下來的“1”和“2”，此時已經(jīng)匹配到位置3，位置3的右側已沒有字符，這時會把控制權交給“$”；

元字符“$”從位置3開始嘗試匹配，它匹配的是結束位置，也就是“位置3”，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果為“a12”，開始位置為0，結束位置為3。其中“^”匹配位置0，“(?=[a-z])”匹配位置0，“[a-z0-9]+”匹配字符串“a12”，“$”匹配位置3。

最新評論