作者: rockeet(雷鹏)
发表日期: 2014年09月08日
原始链接: 支持 并、交、差 的正则表达式引擎
分类: 自动机
阅读次数: 11,712 次
先强调一点,在我的引擎中,所有正则表达式的语法结构,包括 并、交、差、补 都是在编译时完成的,对匹配性能无任何影响,切记!…… 现在可以开始了:
正则表达式,描述的是正则语言, 学过形式语言与自动机理论的同学应该都知道,正则语言在并、交、差、补运算下都是封闭的;但是,根据 Wikipedia 的描述,到目前为止,还没有任何一个已知的正则流派(Flavor)将交和差纳入正则语法。理论与实践之间竟然隔着这么巨大的鸿沟!
除此之外,该正则引擎是“ 多正则”引擎,也就是说,给定 多个正则表达式,匹配时,只需要 扫描一遍输入,就能知道匹配了 哪些正则,这比 逐个匹配多个正则表达式要快得多。2015 年底开源的 hyperscan 也是一个 多正则引擎,但它不支持并交差,并且在正则数量很多(几十几百万)时性能退化严重。
虽然 Perl 正则中支持的环视(Look Around)在某种意义上可以认为是交和差的受限子集(之所以说是受限,因为你无法自由组合并交差操作)。另一方面,环视在这些引擎中都是以回溯的方式实现的,效率十分低下。
Java 正则引擎支持字符类的并交差(类似[\w&&[^a-f]]),这的确在某些情况下带来了一些便利,但是和本文描述的并交差完全没有可比性(完全不是一个概念)!
理论上讲,pcre 的环视(排除反向引用),也可以使用 DFA 实现,期待 pcre 社区早日实现这个优化。
Lucene 中有个支持并交差的正则引擎,看它的代码,是借鉴了 brics.dk/automaton 的,效率很差,并且不支持多正则匹配。
其实,不光正则语言在并、交、差、补运算下都是封闭的,而且,用来表达正则语言的 DFA 可以比较高效地实现这些操作,补运算的复杂度是O(n) ,并交差的复杂度是O(n*m);这比 NFA 转 DFA 的 OO(2n)要乐观地多,而且,这只是最坏情况下的复杂度,现实中要比这个低得多。
经过一番努力,我填补了交、差这个鸿沟,为了语言的完备性和易用性,同时也实现了传统正则的并、连接、重复,为了区别于传统的 RegEx,暂且把它叫做 RegEx++。
在语言设计上,一方面为了避免处理无比复杂的转义、字符类、unicode之类的泥潭,另一方面也为了兼容传统的正则,我设计的 RegEx++ 语言分为两部分,一部分是去除了环视和反向引用的Perl正则(re2语法),一部分是 RegEx++ 特有的 并、交、差、 连接、重复。
以 BNF 范式表达
Union := Inter { '||' Union }
Inter := ConCat { '&&' ConCat | '&!' ConCat }
ConCat := Repeat { Repeat }
Repeat := Atom [ ( '?' | '*' | '+' | Range ) [ ':' Atom ] ]
Atom := '{{' PlainOldRegex '}}' | '(' Union ')'
Range := '{' Min [ ',' Max ] | ',' Max '}'
用更通俗的方式表达
优先级一列中,处于同一组的操作符优先级相同,其中优先级最低的四个操作:连接、交、差、并都是左结合的,其中连接、交、并遵守结合律,交、并还遵守交换律。
这里面唯一比较别扭的是{{ }}括起来的 Plain Old Regex, 一个语法正确并且规范的正则表达式中不会出现 {{ 和 }},只有一个例外:\{{,这个例外很容易处理。其实严格讲,语法正确的正则表达式中可以出现 {{ 和 }},但这样正则表达式往往是有问题的,{ 和 } 用作非元字符时,需要转义(\{和\}),而 { 和 } 不转义时是元字符,不会出现 {{ 和 }}, Plain Old Regex 允许未转义的 { 和 } 是为了最大限度地“容忍错误”,传统正则语法甚至容忍这样的正则: [[[[]*,还有 ]{{1-2},你知道这都是什么意思吗?
还有一点,这里的重复 {min,max} 语法比 Plain Old Regex 中的 {min,max} 要严格, 不光要语法正确,而且要规范,不“容忍”任何错误,下面是几种特殊情况:
补运算我没有单独实现,因为可以用一个非常简单的语法来表达:X 的补 就是 {{.*}} &! X
非贪心匹配(Lazy Match / NonGreedy Match)
与传统正则引擎不同,这里的非贪心匹配也是用 DFA 实现的。通用的非贪心匹配在大多数 “资深” 的正则引擎专家眼里,只能用回溯法实现,我也在很长时间内被这种论调蒙蔽了心智,很可悲!
最近(2014-09-23)我忽然意识到,非贪心匹配也许可以用 DFA 实现,经过仔细思考,从理论上证明了这一点。
于是我新增加了非贪心连接操作符(:),A# : B,其中 # 是任意最少重复 0 次的 repeat 操作符,表示非贪心匹配 A#,后面跟个 B。A# : B 在功能上等价于 ( A# &! (A* B A*)+ ) B,在 regex_build 内部,A# : B 就是 ( A# &! (A* B A*)+ ) B 的语法糖。
当非贪心连接前面的 repeat 操作符的最小重复次数大于0时,最小重复次数不能被“非贪心”掉,在 regex_build 中,针对这种情况进行了自动重写(rewrite),重写规则举例如下:
重写前 | 重写后 | 说明 |
---|---|---|
A+ : B | A (A* : B) | |
A{3,3} : B | A{3} B | 此时就是普通连接(concat) |
A{3,5} : B | A{3}(A{0,2} : B) | |
A{3,} : B | A{3}(A* : B) |
最后
这个测试页面可以看到一些例子和相应的 DFA/NFA 状态转移图,当初我做这个页面的初衷是为了辅助调试。