正则表达式的匹配原理

-- Start

虽然支持正则表达式的工具有很多，但在这些工具的背后都是使用以下两种引擎之一来解析字符串。不同的引擎支持的元字符及工作原理是不同的，下面我们看看它们的工作原理。

非确定型有穷自动机(NFA)：表达式主导

我们用表达式 reg(ress|ular) 匹配文本 I love regular expressions，NFA 引擎从表达式 r 开始，检查当前表达式 r 是否和当前文本 I 匹配，如果不匹配，指针向后移一位，当前文本变为空格，再次检查当前表达式与当前文本是否匹配，如此反复尝试。如果指针移动到文本末尾时，仍然无法匹配，则报告匹配失败。如果像本例这样遇到多选分支该怎么办呢？引擎会在分支开始前保存当前指针的位置，然后依次尝试每一个分支，如果分支没有匹配成功，则指针首先回退到最近的保存位置(我们把这一过程称为回溯)，然后尝试下一个分支，如果某一个分支匹配成功，则剩余的分支将不再尝试。所以有时候分支的顺序特别重要。Never ever 不要写出类似下面的表达式。

\d*|\w         此表达式的第二个分支永远也得不到尝试的机会，因为第一个分支总是能够匹配成功，考虑调换分支顺序

love|love regular  如果第一个分支能够匹配，那么第二个分支将得不到尝试的机会；如果第一个分支不能匹配，第二个分支也肯定不能匹配。考虑调换分支顺序

如果用 exp|reg|lov 来匹配上面的文本 I love regular expressions，会得到什么结果呢？如果你知道了答案，说明你看懂了上面的原理。

确定型有穷自动机(DFA)：文本主导

我们用表达式 love|love regular 匹配文本 I love regular expressions，DFA 引擎会记录当前所有可能的匹配，随着指针向右移动，不能匹配的分支被淘汰出局，最后只剩下唯一的分支。本例中匹配的是love regular，显然匹配的结果和分支的顺序没有任何关系，无论分支的顺序如何，结果总是能够匹配的分支中最长的那一个。由此可知，对于同样的表达式love|love regular，NFA 和DFA引擎会得到不同的结果，事实上，我们可以通过这个表达式来判断引擎的类型。

对于目标文本的每一个字符，DFA 引擎最多只检查一遍，而 NFA 则有可能需要回溯。显然 DFA 要更快一些，但是 DFA 也有致命伤，它不支持非贪婪量词和捕获型括号。所以目前大部分工具都是使用 NFA 作为正则引擎。

由于 NFA 具有表达式主导的特性，通过改变表达式的编写方式，我们可以对表达式进行多方面的控制，一个好的表达式能给我们带来很多收益，一个差的表达式将严重影响性能，甚至是内存溢出，而它们之间的差别就在一念之间。

测试引擎的类型

• 方法一：是否支持非贪婪量词，捕获型括号和回溯，如果是，则是 NFA。
• 方法二：用表达式 love|love regular 匹配字符串love regular，如果匹配了love，那就是 NFA。
• 方法三：用表达式 X(.+)+X 匹配字符串=XX===============================，如果时间很长或内存溢出，则是 NFA。
  

--更多参见：正则表达式精萃
-- 声 明：转载请注明出处
-- Last Updated on 2012-05-26
-- Written by ShangBo on 2012-05-21
-- End