精通正则表达式读书笔记（二）

DFA VS NFA

DFA：确定有限自动机。对一个输入，只有一个转移状态。

NFA：非确定有限自动机。对一个输入，可以有多个转移状态。

DFA的一个例子：

如果模式串为： abc|abcdef，待匹配串为abcdef，在DFA中，它总是会去尝试所有可能的匹配。

首先它会用abc中的a来匹配，发现满足；同时它还会用abcdef中的a来匹配，发现也满足。这时它会同时保留两个匹配的串。

接着往下匹配bc。

直到字符d。这时左边的abc无法匹配了，因而左边的模式就会被记录为不匹配。而右边的abcdef模式串仍然能够匹配。

这样就会一直用右边的abcdef模式串来匹配剩下的字符。

DFA总是试图去匹配所有的模式，并且通常是一种最长匹配。

而如果用NFA来匹配，这时就往往会采用一种最先匹配策略。

当abc串匹配了abcdef之后，它就认为匹配成功了，就不会再用右边的abcdef来匹配剩下的字符。

以下的python代码可以证实采用了NFA的匹配策略：

import re
p=re.compile(r'(abc)|(abcdef)')
s='abcdef'
m=p.match(s)
print m.groups()

会输出('abc', None)。

DFA的特点：没有回溯，速度非常快。但是不能捕获分组，因而支持的模式复杂度有限。

NFA的特点：功能强大，能支持极其复杂的模式。但是因为有回溯，速度视模式本身而定。不合理的模式会导致大量回溯，从而导致性能低下。

目前大多数正则表达式实现都是NFA，如python, java.util.regex, .NET等。部分古老的实现如awk实用DFA。

匹配优先 VS 忽略优先

匹配优先：*

忽略优先：*?

从路径中获取文件名：

两种路径方式： /usr/bin/gcc或者C:\Windows\Messenger，因此模式会涉及到两种，这里以前者为例。

有两种思路：

1. 从头开始匹配，这种思路本质上是希望将最后一个'/'前的字符全部去掉。用perl可写成如下：

$f =~ s{^.*/}{};

即用^.*/这个模式来匹配包括最后一个/在内的之前所有字符。

2. 从尾开始匹配，这种思路是希望从后往前找，直到碰到/就停止。

这时我们可以用以下的模式来匹配：

[^/]*$，然后使用分组捕获即可。

分析：无论哪一种思路，其实都有一个匹配优先，这就意味着都会有回溯。因而在NFA的情况下性能都不会特别好。