正则表达式—优化

**##正则表达式匹配过程##

序号	过程	解释
1	编译	检查表达式语法正确性，若正确则编译成内部形式
2	开始传动	将引擎放置到字符串开始的位置
3	监测元素	引擎开始测试表达式和文本中的各个元素：1-依次尝试相连元素，直到失败；2-量词，控制权在量词（是否继续匹配）和被限定元素（是否匹配）之间轮换；3-控制权，括号用于捕获，在进入和退出括号时需要开销来修改引擎状态。
4	寻找匹配结果	NFA会获取已经匹配的结果而停止引擎，POSIX NFA会一直匹配所有可能，并获取匹配成功的最长的文本
5	驱动	如果找不到匹配，驱动引擎到文本下一个位置，开始新的尝试
6	彻底失败	从开始到最后全部尝试失败则失败

一、优化传动

1、优化字符串起始点/行锚点

(1)任何以^开头的表达式必须能够匹配，引擎才会开始工作，所以识别^是必须的

(2)^a|^b通常情况下难以确定其实，^(a|b)或者^(?:a|b)可以更快匹配
2、优化字符串结束/行锚点

(1)表达式以$或其他结尾锚点来结尾时候，可以从字符串末尾倒数若干字符的位置开始尝试匹配，这样会节省很多时间
3、开头字符/字符组/子串识别优化

使用特定的字符或文字子串，通过传动装置更快更准确地定位匹配的开始位置，如 the|them|other，只能从文本中ot的位置开始匹配。

二、优化表达式本身

1、化简量词优化

约束普通元素的加号、星号之类的量词，避免引擎大部分逐步处理的开销，比如 .*和 (?:.)*是逻辑相同，但速度不同的两个表达式，因为 .*会作为一个整体来考虑，省去了括号和量词之间控制权之间的转移所消耗的时间。
2、消除没有必要的括号
3、消除没有必要的字符组，比如[a]，单个字符构成的字符组没有直接字符a快
4、忽略优先量词（.*?等）的匹配速度往往比匹配优先量词要慢，尤其当忽略优先量词在捕获型括号内时候。如果字符串很短，差别不明显；如果字符串很长，比如 ^.*:和 ^.*?:，如果：靠近开头位置，用忽略优先量词比较快，如果在末尾位置用匹配优先量词。
5、使用固化分组和占有优先量词（?<……）来削减备用状态
6、量词等价交换。\d\d\d和\d{3}效果相同，效率后者更高
7、提取多选结构开头的必须元素：用 the（?:e|em|re）代替 （?:the|them|there）非常有价值，因为可以更快定位“the”
8、模拟开头字符串识别(?=[JFMASOND])(?:Jan|Feb|…|Dec)更快速定位月份，`JFMASOND就是各个月份首字符

三、消除循环

1、什么是循环

所谓循环就是多选结构当中的星号所引起的多次来回匹配。
2、如何解决？
<1>取出多选结构中真正匹配成功的子表达式，按待会提到模式去构建
<2>自顶而下，根据经验和匹配要求通过假设进行构建
3、消除循环通常模式
模式： open nomal*(special nomal*)*closing
举例：
<1>匹配包括转义引号字符串
- 文本：”he said \”hi there\” and left”
- 表达式： "[^\\"]*(\\.[^\\"]*)*"
–**解析：**nomal是 [^\\"]+
—————special是 \\.
<2>匹配多字符串
- 文本： <b>i <have <a dream</b>
- 表达式： <b>(?>[^<]*)(?>(?!</?b>)<[^<]*)*</b>
–**解析：**nomal是 [^<]*
—————special是 </?b>
【需要注意的事项】
（1）special和nomal开头不同
（2）nomal必须至少匹配一个字符串
（3）special部分必须是固化的，即文本不能由该部分的多次迭代完成。**