深入正则表达式原理

转自：    http://zhsyfly.blog.163.com/blog/static/60683156201041285253959/ 

一  、先说正则表达式(regular expression)的基础语法：元字符(metacharacters)和常用的正则表达式 

              1.   点号：. 匹配单个任意的字符(包括空格，换行符，回车符，制表符，换页符)。 

               2.  字符组 [  ] 匹配单个字符。如[abdcedf]也就是匹配[]中的任一个字符都能成功：匹配a成功匹配b也能成功，但不能匹配k这样没有在[]中出现的字符。 

               3.  排除型字符组  [^ ]  排除括号内列出的字符 如[^abcd]匹配e能够成功，匹配a就失败 

               4.   转义字符   \  通常是把元字符转化成普通的字符   通常用于转换如：在匹配.号时，正常情况下正则表达式引擎(会在后面谈到)会把.当做元字符来处理，但是加上\就可以把\.中的点号当做一个普通的字符来 处理。 

               5.   问号  ？ 匹配一个或没有的字符 

                6.   星号 *   匹配多个或没有的字符 

                7.   加号 +  至少匹配一个字符或多个 

                8.  区间词{min，max} 匹配至少min次，和至多max次 

                9.    ^         匹配一行的开头 

                10.  $       匹配一行的结尾 

                11. \b        匹配单词的分界符 

                 12. {?=}   肯定顺序环视 

                 13.  {?!}    否定顺序环视 

                  14.  {?<=}   肯定逆向环视 

                   15.   {?<!}  否定逆向环视 

                    16.  {?:}    非捕获分组 

                    17.   {?>}    固化分组 

二、下面的正则表达式针对各种语言又有一些的变化： 

                       1.  \d   匹配任意的数字 

                        2.  \D 匹配任意的非数字 

                        3.  \w 匹配任意的小写字母，大写字母和数字和下划线_等于[a-zA-Z0-9_] 

                         4.  \W 匹配任意的非字母等于[^\s] 

                          5.  \s  匹配空字符如空格符，制表符，等 

                          6.  \S  匹配非空字符 

                         7.   \1\2 主要用于分组获得所分的组项，有时用的很方便哦。 

               还有就是一些常用的匹配表达式： 

                           1.   \n   匹配换行符 

                            2.  \A  匹配一行的开头与^一样的功能 

三、 上面的都是些简单的语法，我相信大多数都能懂，那我就讲一些难懂的内容吧： 

      (1) .正则表达式的核心是正则表达式引擎处理方式。一般正则表达式引擎分为两种：NFA和DFA。 

             但其中的NFA又有两个分支：传统的NFA和POSIX NFA 以下是各种语言所支持的引擎：

                       传统NFA：GNU Emacs、java、grep、less、more、.NET、Perl、PHP、Python、Ruby、sed等 

                       DFA        ：awk、egrep、flex、MySQL、Procmail 

                       POSIX NFA：mawk、Mortice Kern等等。 

                       DFA/NFA混合引擎：GNU awk 、GNU grep/egrep、Tcl 

      (2).  正则表达式真正起作用是由于这些引擎来计算匹配。所以要想弄懂正则表达式的内部机制，就必须要明白你所熟悉的语言(如java，.net用的都是传统的 NFA)是采用的那种引擎。每一种语言都有这自己引擎，也就有自己的独特的规范和独特的匹配原则。所以正则表达式说采用的匹配结果也不一样。但不管是 DFA还是NFA他们又有一些共性原则如： 

                 1. 优先匹配最左端(最靠开头)的匹配结果。 

                  2.标准的匹配量词(*、+、？和{min，max})是匹配优先的。 

       1* 先来说第一条：最左端匹配结果： 

                   如果你用：cat来匹配下面的一句话： 

                          The dragging belly indicates that your cat is too fat. 

                   你本想匹配其中的cat，但是结果却不是，而是indicates中的cat。单词cat 是能够被匹配出来，但是indicates中的cat出现 的更早，所以就先匹配成功了。对于java程序员来说，他只关心是否能匹配而不关心在哪匹配。再来一个例子： 用：fat | cat | belly | your来匹配字符串上面的那一句话。结果会是什么呢？ 

                   你认为会是最后的fat是吗？因为fat在 fat | cat | belly | your最前面，是吗？错：答案是belly，句中的belly，为什么呢？由于匹配是从句中的第一个字母T来一次匹配fat | cat | belly | your，中的所有选项，结果发现都不符合，就走到h来匹配，结果也不符合，就依次走下去，直到b字母，有一项符合，就是fat | cat | belly | your中的belly中的b，所以依次匹配发现成功了，所以就正确了。就不在向后面的单词匹配(这种结果只是在支持NFA的引擎中)。 

         2*  再来说说第二条：标准量词(*、+等)是匹配优先(greedy 贪婪的意思)的。从英文单词中，我们就可以发现一些原理。其实的确就是这样。 

                 用\b\w+s\b 来匹配包含s的字符串，如regexes，整个是能够比配成功的，你或许会认为它是正则表达式\w+匹配到xe结束然后让s来匹配最后的regexes中 的s，若你这样想，那就错了，其实\w+一次性的匹配到结束包括s在内都被它给匹配了，但后面有个s所以，她很不情愿的吐出一个s来，让后面的s来匹配。 这样使得匹配成功。这个+是不是很greedy啊？像欧也妮~葛朗台是吗？O(∩_∩)O哈哈~，对了，就是，这条规则很重要，对于正则表达式的优化很重 要。很多时候就是在这个基础上进行优化的。 

         下面就再来比较一下DFA和NFA的区别。 

          一般DFA速度较快，而NFA的控制能力较强。这两者各有千秋。 

        NFA引擎是表达式主导(有点困了，还是下次再写吧，那先留个目录，有助于下次写的：下面主要是NFA的工作原理，不同regular Expression 的流派，然后就是正则表达式的优化和调校，再者就是正则表达式的书写和案例经典例子的回放，最后是写我最爱的Java语言的正则表达式的应用)