來源:http://www.jb51.net/article/19332.htm
1 為什麼要了解引擎比對原理
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着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隐患的正則 。是以對于經常使用正則 ,或是有興趣深入學習正則 的人,還是有必要了解一下正則 引擎的比對原理的。
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型NFA和POSIX NFA。
DFA Deterministic finite automaton 确定型有窮自動機
NFA Non-deterministic finite automaton 非确定型有窮自動機
Traditional NFA
POSIX NFA
DFA引擎因為不需要回溯,是以比對快速,但不支援捕獲組,是以也就不支援反向引用和$number這種引用方式,目前使用DFA引擎的語言和工具主要有awk、egrep 和 lex。
POSIX NFA主要指符合POSIX标準的NFA引擎,它的特點主要是提供longest-leftmost比對,也就是在找到最左側最長比對之前,它将繼續回溯。同DFA一樣,非貪婪模式或者說忽略優先量詞對于POSIX NFA同樣是沒有意義的。
大多數語言和工具使用的是傳統型的NFA引擎,它有一些DFA不支援的特性:
捕獲組、反向引用和$number引用方式;
環視(Lookaround,(?<=…)、(?<!…)、(?=…)、(?!…)),或者有的有文章叫做預搜尋;
忽略優化量詞(??、*?、+?、{m,n}?、{m,}?),或者有的文章叫做非貪婪模式;
占有優先量詞(?+、*+、++、{m,n}+、{m,}+,目前僅Java和PCRE支援),固化分組(?>…)。
引擎間的差別不是本文的重點,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 字元串組成
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZwpmL1cTM3MDO1UTM0IzNwkDMwIzLcRWYvxGc19CX0VmbuETNipmL3d3dvw1LcpDc0RHaiojIsJye.jpg)
對于字元串“abc ”而言,包括三個字元和四個位置。
3.2 占有字元和零寬度
正則 表達式比對過程中,如果子表達式比對到的是字元内容,而非位置,并被儲存到最終的比對結果中,那麼就認為這個子表達式是占有字元的;如果子表達式比對的僅僅是位置,或者比對的内容并不儲存到最終的比對結果中,那麼就認為這個子表達式是零寬度的。
占有字元是互斥的,零寬度是非互斥的。也就是一個字元,同一時間隻能由一個子表達式比對,而一個位置,卻可以同時由多個零寬度的子表達式比對。
3.3 控制權和傳動
正則 的比對過程,通常情況下都是由一個子表達式(可能為一個普通字元、元字元或元字元序列組成)取得控制權,從字元串的某一位置開始嘗試比對,一個子表達式開始嘗試比對的位置,是從前一子表達比對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,由于它比對開始和結束的位置是同一個,如位置0,那麼(子表達式二) 是從位置0開始嘗試比對的。
假設(子表達式一) 為占有字元的表達式,由于它比對開始和結束的位置不是同一個,如比對成功開始于位置0,結束于位置2,那麼(子表達式二) 是從位置2開始嘗試比對的。
而對于整個表達式來說,通常是由字元串位置0開始嘗試比對的。如果在位置0開始的嘗試,比對到字元串某一位置時整個表達式比對失敗,那麼引擎會使正則 向前傳動,整個表達式從位置1開始重新嘗試比對,依此類推,直到報告比對成功或嘗試到最後一個位置後報告比對失敗。
4 正則 表達式簡單匹本過程
4.1 基礎比對過程
源字元串:abc
正則 表達式:abc
比對過程:
首先由字元“a ”取得控制權,從位置0開始比對,由“a ”來比對“a ”,比對成功,控制權交給字元“b ”;由于“a ”已被“a ”比對,是以“b ”從位置1開始嘗試比對,由“b ”來比對“b ”,比對成功,控制權交給“c ”;由“c ”來比對“c ”,比對成功。
此時正則 表達式比對完成,報告比對成功。比對結果為“abc ”,開始位置為0,結束位置為3。
4.2 含有比對優先量詞的比對過程——比對成功(一)
源字元串:abc
正則 表達式:ab?c
量詞“? ”屬于比對優先量詞,在可比對可不比對時,會先選擇嘗試比對,隻有這種選擇會使整個表達式無法比對成功時,才會嘗試讓出比對到的内容。這裡的量詞“? ”是用來修飾字元“b ”的,是以“b? ”是一個整體。
比對過程:
首先由字元“a ”取得控制權,從位置0開始比對,由“a ”來比對“a ”,比對成功,控制權交給字元“b? ”;由于“? ”是比對優先量詞,是以會先嘗試進行比對,由“b? ”來比對“b ”,比對成功,控制權交給“c ”,同時記錄一個備選狀态;由“c ”來比對“c ”,比對成功。記錄的備選狀态丢棄。
此時正則 表達式比對完成,報告比對成功。比對結果為“abc ”,開始位置為0,結束位置為3。
4.3 含有比對優先量詞的比對過程——比對成功(二)
源字元串:ac
正則 表達式:ab?c
比對過程:
首先由字元“a ”取得控制權,從位置0開始比對,由“a ”來比對“a ”,比對成功,控制權交給字元“b? ”;先嘗試進行比對,由“b? ”來比對“c ”,同時記錄一個備選狀态,比對失敗,此時進行回溯,找到備選狀态,“b? ”忽略比對,讓出控制權,把控制權交給“c ”;由“c ”來比對“c ”,比對成功。
此時正則 表達式比對完成,報告比對成功。比對結果為“ac ”,開始位置為0,結束位置為2。其中“b? ”不比對任何内容。
4.4 含有比對優先量詞的比對過程——比對失敗
源字元串:abd
正則 表達式:ab?c
比對過程:
首先由字元“a ”取得控制權,從位置0開始比對,由“a ”來比對“a ”,比對成功,控制權交給字元“b? ”;先嘗試進行比對,由“b? ”來比對“b ”,同時記錄一個備選狀态,比對成功,控制權交給“c ”;由“c ”來比對“d ”,比對失敗,此時進行回溯,找到記錄的備選狀态,“b? ”忽略比對,即“b? ”不比對“b ”,讓出控制權,把控制權交給“c ”;由“c ”來比對“b ”,比對失敗。此時第一輪比對嘗試失敗。
正則 引擎使正則 向前傳動,由位置1開始嘗試比對,由“a ”來比對“b ”,比對失敗,沒有備選狀态,第二輪比對嘗試失敗。
繼續向前傳動,直到在位置3嘗試比對失敗,比對結束。此時報告整個表達式比對失敗。
4.5 含有忽略優先量詞的比對過程——比對成功
源字元串:abc
正則 表達式:ab??c
量詞“?? ”屬于忽略優先量詞,在可比對可不比對時,會先選擇不比對,隻有這種選擇會使整個表達式無法比對成功時,才會嘗試進行比對。這裡的量詞“?? ”是用來修飾字元“b ”的,是以“b?? ”是一個整體。
比對過程:
首先由字元“a ”取得控制權,從位置0開始比對,由“a ”來比對“a ”,比對成功,控制權交給字元“b?? ”;先嘗試忽略比對,即“b?? ”不進行比對,同時記錄一個備選狀态,控制權交給“c ”;由“c ”來比對“b ”,比對失敗,此時進行回溯,找到記錄的備選狀态,“b?? ”嘗試比對,即“b?? ”來比對“b ”,比對成功,把控制權交給“c ”;由“c ”來比對“c ”,比對成功。
此時正則 表達式比對完成,報告比對成功。比對結果為“abc ”,開始位置為0,結束位置為3。其中“b?? ”比對字元“b ”。
4.6 零寬度比對過程
源字元串:a12
正則 表達式:^ (?=[a-z]) [a-z0-9]+ $
元字元“^ ”和“$ ”比對的隻是位置,順序環視“(?=[a-z]) ”隻進行比對,并不占有字元,也不将比對的内容儲存到最終的比對結果,是以都是零寬度的。
這個正則 的意義就是比對由字母和數字組成的,第一個字元是字母的字元串。
比對過程:
首先由元字元“^ ”取得控制權,從位置0開始比對,“^ ”比對的就是開始位置“位置0 ”,比對成功,控制權交給順序環視“(?=[a-z]) ”;
“(?=[a-z]) ”要求它所在位置右側必須是字母才能比對成功,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比對,是以它也是從位置0嘗試進行比對,位置0的右側是字元“a ”,符合要求,比對成功,控制權交給“[a-z0-9]+ ”;
因為“(?=[a-z]) ”隻進行比對,并不将比對到的内容儲存到最後結果,并且“(?=[a-z]) ”比對成功的位置是位置0,是以“[a-z0-9]+ ”也是從位置0開始嘗試比對的,“[a-z0-9]+ ”首先嘗試比對“a ”,比對成功,繼續嘗試比對,可以成功比對接下來的“1 ”和“2 ”,此時已經比對到位置3,位置3的右側已沒有字元,這時會把控制權交給“$ ”;
元字元“$ ”從位置3開始嘗試比對,它比對的是結束位置,也就是“位置3 ”,比對成功。
此時正則 表達式比對完成,報告比對成功。比對結果為“a12 ”,開始位置為0,結束位置為3。其中“^ ”比對位置0,“(?=[a-z]) ”比對位置0,“[a-z0-9]+ ”比對字元串“a12 ”,“$ ”比對位置3。