正则基础之——贪婪与非贪婪模式

1          概述

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。非贪婪模式只被部分 NFA 引擎所支持。

属于贪婪模式的量词，也叫做匹配优先量词，包括：

“ {m,n} ”、“ {m,} ”、“ ? ”、“ * ”和“ + ”。

在一些使用 NFA 引擎的语言中，在匹配优先量词后加上“ ? ”，即变成属于非贪婪模式的量词，也叫做忽略优先量词，包括：

“ {m,n}? ”、“ {m,}? ”、“ ?? ”、“ *? ”和“ +? ”。

从正则语法的角度来讲，被匹配优先量词修饰的子表达式使用的就是贪婪模式，如“ (Expression)+ ”；被忽略优先量词修饰的子表达式使用的就是非贪婪模式，如“ (Expression)+? ”。

对于贪婪模式，各种文档的叫法基本一致，但是对于非贪婪模式，有的叫懒惰模式或惰性模式，有的叫勉强模式，其实叫什么无所谓，只要掌握原理和用法，能够运用自如也就是了。个人习惯使用贪婪与非贪婪的叫法，所以文中都会使用这种叫法进行介绍。

2        贪婪与非贪婪模式匹配原理

对于贪婪与非贪婪模式，可以从应用和原理两个角度进行理解，但如果想真正掌握，还是要从匹配原理来理解的。

先从应用的角度，回答一下“什么是贪婪与非贪婪模式？”

2.1      从应用角度分析贪婪与非贪婪模式

2.1.1   什么是贪婪与非贪婪模式

先看一个例子

举例 ：

源字符串： aa<div>test1</div>bb<div>test2</div>cc

正则表达式一： <div>.*</div>

匹配结果一： <div>test1</div>bb<div>test2</div>

正则表达式二： <div>.*?</div>

匹配结果二：<div>test1</div> （这里指的是一次匹配结果，所以没包括<div>test2</div> ）

根据上面的例子，从匹配行为上分析一下，什是贪婪与非贪婪模式。

正则表达式一采用的是贪婪模式，在匹配到第一个“ </div> ”时已经可以使整个表达式匹配成功，但是由于采用的是贪婪模式，所以仍然要向右尝试匹配，查看是否还有更长的可以成功匹配的子串，匹配到第二个“ </div> ”后，向右再没有可以成功匹配的子串，匹配结束，匹配结果为“ <div>test1</div>bb<div>test2</div> ”。当然，实际的匹配过程并不是这样的，后面的匹配原理会详细介绍。

仅从应用角度分析，可以这样认为，贪婪模式，就是在整个表达式匹配成功的前提下，尽可能多的匹配，也就是所谓的“贪婪”，通俗点讲，就是看到想要的，有多少就捡多少，除非再也没有想要的了。

正则表达式二采用的是非贪婪模式，在匹配到第一个“ </div> ”时使整个表达式匹配成功，由于采用的是非贪婪模式，所以结束匹配，不再向右尝试，匹配结果为“ <div>test1</div> ”。

仅从应用角度分析，可以这样认为，非贪婪模式，就是在整个表达式匹配成功的前提下，尽可能少的匹配，也就是所谓的“非贪婪”，通俗点讲，就是找到一个想要的捡起来就行了，至于还有没有没捡的就不管了。

2.1.2   关于前提条件的说明

在上面从应用角度分析贪婪与非贪婪模式时，一直提到的一个前提条件就是“整个表达式匹配成功”，为什么要强调这个前提，我们看下下面的例子。

正则表达式三： <div>.*</div>bb

匹配结果三： <div>test1</div>bb

修饰“ . ”的仍然是匹配优先量词“ * ”，所以这里还是贪婪模式，前面的“ <div>.*</div> ”仍然可以匹配到“ <div>test1</div>bb<div>test2</div> ”，但是由于后面的“ bb ”无法匹配成功，这时“ <div>.*</div> ”必须让出已匹配的“ bb<div>test2</div> ”，以使整个表达式匹配成功。这时整个表达式匹配的结果为“ <div>test1</div>bb ”，“ <div>.*</div> ”匹配的内容为“ <div>test1</div> ”。可以看到，在“整个表达式匹配成功”的前提下，贪婪模式才真正的影响着子表达式的匹配行为，如果整个表达式匹配失败，贪婪模式只会影响匹配过程，对匹配结果的影响无从谈起。

非贪婪模式也存在同样的问题，来看下面的例子。

正则表达式四： <div>.*?</div>cc

匹配结果四： <div>test1</div>bb<div>test2</div>cc

这里采用的是非贪婪模式，前面的“ <div>.*?</div> ”仍然是匹配到“ <div>test1</div> ”为止，此时后面的“ cc ”无法匹配成功，要求“ <div>.*?</div> ”必须继续向右尝试匹配，直到匹配内容为“ <div>test1</div>bb<div>test2</div> ”时，后面的“ cc ”才能匹配成功，整个表达式匹配成功，匹配的内容为“ <div>test1</div>bb<div>test2</div>cc ”，其中“ <div>.*?</div> ”匹配的内容为“ <div>test1</div>bb<div>test2</div> ”。可以看到，在“整个表达式匹配成功”的前提下，非贪婪模式才真正的影响着子表达式的匹配行为，如果整个表达式匹配失败，非贪婪模式无法影响子表达式的匹配行为。

2.1.3   贪婪还是非贪婪——应用的抉择

通过应用角度的分析，已基本了解了贪婪与非贪婪模式的特性，那么在实际应用中，究竟是选择贪婪模式，还是非贪婪模式呢，这要根据需求来确定。

对于一些简单的需求，比如源字符为“ aa<div>test1</div>bb ”，那么取得 div 标签，使用贪婪与非贪婪模式都可以取得想要的结果，使用哪一种或许关系不大。

但是就 2.1.1 中的例子来说，实际应用中，一般一次只需要取得一个配对出现的 div 标签，也就是非贪婪模式匹配到的内容，贪婪模式所匹配到的内容通常并不是我们所需要的。

那为什么还要有贪婪模式的存在呢，从应用角度很难给出满意的解答了，这就需要从匹配原理的角度去分析贪婪与非贪婪模式。

2.2      从匹配原理角度分析贪婪与非贪婪模式

如果想真正了解什么是贪婪模式，什么是非贪婪模式，分别在什么情况下使用，各自的效率如何，那就不能仅仅从应用角度分析，而要充分了解贪婪与非贪婪模式的匹配原理。

2.2.1   从基本匹配原理谈起

NFA 引擎基本匹配原理参考： 正则基础之 ——NFA 引擎匹配原理 。

这里主要针对贪婪与非贪婪模式涉及到的匹配原理进行介绍。先看一下贪婪模式简单的匹配过程。

源字符串： " Regex"

正则表达式： " .*"

 

 

图 2-1

注：为了能够看清晰匹配过程，上面的空隙留得较大，实际源字符串为“ ”Regex” ”，下同。

来看一下匹配过程。首先由第一个“ " ”取得控制权，匹配位置 0 位的“ " ”，匹配成功，控制权交给“ .* ”。

“ .* ”取得控制权后，由于“ * ”是匹配优先量词，在可匹配可不匹配的情况下，优先尝试匹配。从位置 1 处的“ R ”开始尝试匹配，匹配成功，继续向右匹配，匹配位置 2 处的“ e ”，匹配成功，继续向右匹配，直到匹配到结尾的“ ” ”，匹配成功，由于此时已匹配到字符串的结尾，所以“ .* ”结束匹配，将控制权交给正则表达式最后的“ " ”。

“ " ”取得控制权后，由于已经在字符串结束位置，匹配失败，向前查找可供回溯的状态，控制权交给“ .* ”，由“ .* ”让出一个字符，也就是字符串结尾处的“ ” ”，再把控制权交给正则表达式最后的“ " ”，由“ " ”匹配字符串结尾处的“ " ”，匹配成功。

此时整个正则表达式匹配成功，其中“ .* ”匹配的内容为“ Regex ”，匹配过程中进行了一次回溯。

接下来看一下非贪婪模式简单的匹配过程。

源字符串： " Regex"

正则表达式： " .*?"

 

 

图 2-2

看一下非贪婪模式的匹配过程。首先由第一个“ " ”取得控制权，匹配位置 0 位的“ " ”，匹配成功，控制权交给“ .*? ”。

“ .*? ”取得控制权后，由于“ *? ”是忽略优先量词，在可匹配可不匹配的情况下，优先尝试不匹配，由于“ * ”等价于“ {0,} ”，所以在忽略优先的情况下，可以不匹配任何内容。从位置 1 处尝试忽略匹配，也就是不匹配任何内容，将控制权交给正则表达式最后的“ ” ”。

“ " ”取得控制权后，从位置 1 处尝试匹配，由“ " ”匹配位置 1 处的“ R ”，匹配失败，向前查找可供回溯的状态，控制权交给“ .*? ”，由“ .*? ”吃进一个字符，匹配位置 1 处的“ R ”，再把控制权交给正则表达式最后的“ " ”。

“ " ”取得控制权后，从位置 2 处尝试匹配，由“ " ”匹配位置 1 处的“ e ”，匹配失败，向前查找可供回溯的状态，重复以上过程，直到由“ .*? ”匹配到“ x ”为止，再把控制权交给正则表达式最后的“ " ”。

“ " ”取得控制权后，从位置 6 处尝试匹配，由“ " ”匹配字符串最后的“ " ”，匹配成功。

此时整个正则表达式匹配成功，其中“ .*? ”匹配的内容为“ Regex ”，匹配过程中进行了五次回溯。

2.2.2   贪婪还是非贪婪——匹配效率的抉择

通过匹配原理的分析，可以看到，在匹配成功的情况下，贪婪模式进行了更少的回溯，而回溯的过程，需要进行控制权的交接，让出已匹配内容或匹配未匹配内容，并重新尝试匹配，在很大程度上降低匹配效率，所以贪婪模式与非贪婪模式相比，存在匹配效率上的优势。

但 2.2.1 中的例子，仅仅是一个简单的应用，读者看到这里时，是否会存在这样的疑问，贪婪模式就一定比非贪婪模式匹配效率高吗？答案是否定的。

举例 ：

需求：取得两个“ " ”中的子串，其中不能再包含“ " ”。

正则表达式一： ".*"

正则表达式二： ".*?"

情况一：当贪婪模式匹配到更多不需要的内容时，可能存在比非贪婪模式更多的回溯。比如源字符串为“ The word " Regex" means regular expression. ”。

情况二：贪婪模式无法满足需求。比如源字符串为“ The phrase "regular expression" is called "Regex" for short. ”。

对于情况一，正则表达式一采用的贪婪模式，“ .* ”会一直匹配到字符串结束位置，控制权交给最后的“ ” ”，匹配不成功后，再进行回溯，由于多匹配的内容“ means regular expression. ”远远超过需匹配内容本身，所以采用正则表达式一时，匹配效率会比使用正则表达式二的非贪婪模式低。

对于情况二，正则表达式一匹配到的是“ "regular expression" is called "Regex" ”，连需求都不满足，自然也谈不上什么匹配效率的高低了。

以上两种情况是普遍存在的，那么是不是为了满足需求，又兼顾效率，就只能使用非贪婪模式了呢？当然不是，根据实际情况，变更匹配优先量词修饰的子表达式，不但可以满足需求，还可以提高匹配效率。

源字符串： " Regex"

给出正则表达式三： " [^" ]*"

看一下正则表达式三的匹配过程。

 

 

图 2-3

首先由第一个“ " ”取得控制权，匹配位置 0 位的“ " ”，匹配成功，控制权交给“ [^" ]* ”。

“ [^" ]* ”取得控制权后，由于“ * ”是匹配优先量词，在可匹配可不匹配的情况下，优先尝试匹配。从位置 1 处的“ R ”开始尝试匹配，匹配成功，继续向右匹配，匹配位置 2 处的“ e ”，匹配成功，继续向右匹配，直到匹配到“ x ”，匹配成功，再匹配结尾的“ ” ”时，匹配失败，将控制权交给正则表达式最后的“ " ”。

“ ” ”取得控制权后，匹配字符串结尾处的“ ” ”，匹配成功。

此时整个正则表达式匹配成功，其中“ [^" ]* ”匹配的内容为“ Regex ”，匹配过程中没有进行回溯。

将量词修饰的子表达式由范围较大的“ . ”，换成了排除型字符组“ [^" ] ”，使用的仍是贪婪模式，很完美的解决了需求和效率问题。当然，由于这一匹配过程没有进行回溯，所以也不需要记录回溯状态，这样就可以使用固化分组，对正则做进一步的优化。

给出正则表达式四： " (?>[^" ]*)"

固化分组并不是所有语言都支持的，如 .NET 支持，而 Java 就不支持，但是在 Java 中却可以使用更简单的占有优先量词来代替： " [^" ]*+" 。

3        贪婪还是非贪婪模式——再谈匹配效率

一般来说，贪婪与非贪婪模式，如果量词修饰的子表达式相同，比如“ .* ”和“ .*? ”，它们的应用场景通常是不同的，所以效率上一般不具有可比性。

而对于改变量词修饰的子表达式，以满足需求时，比如把“ .* ”改为“ [^" ]* ”，由于修饰的子表达式已不同，也不具有直接的可对比性。但是在相同的子表达式，又都可以满足需求的情况下，比如“ [^" ]* ”和“ [^" ]*? ”，贪婪模式的匹配效率通常要高些。

同时还有一个事实就是，非贪婪模式可以实现的，通过优化量词修饰的子表达式的贪婪模式都可以实现，而贪婪模式可以实现的一些优化效果，却未必是非贪婪模式可以实现的。

贪婪模式还有一点优势，就是在匹配失败时，贪婪模式可以更快速的报告失败，从而提升匹配效率。下面将全面考察贪婪与非贪婪模式的匹配效率。

3.1      效率提升——演进过程

在了解了贪婪与非贪婪模式的匹配基本原理之后，我们再来重新看一下正则效率提升的演进过程。

需求：取得两个“ " ”中的子串，其中不能再包含“ " ”。

源字符串： The phrase "regular expression" is called "Regex" for short.

正则表达式一： " .*"

正则表达式一匹配的内容为“ "regular expression" is called "Regex" ”，不符合要求。

提出正则表达式二： " .*?"

首先“ " ”取得控制权，由位置 0 位开始尝试匹配，直到位置 11 处匹配成功，控制权交给“ .*? ”，匹配过程同 2.2.1 中非贪婪模式的匹配过程。“ .*? ”匹配的内容为“ Regex ”，匹配过程中进行了四次回溯。

如何消除回溯带来的匹配效率的损失，就是使用更小范围的子表达式，采用贪婪模式，提出正则表达式三： " [^" ]*"

首先“ " ”取得控制权，由位置 0 位开始尝试匹配，直到位置 11 处匹配成功，控制权交给“ [^" ]* ”，匹配过程同 2.2.2 节中非贪婪模式的匹配过程。“ [^" ]* ”匹配的内容为“ Regex ”，匹配过程中没有进行回溯。

3.2      效率提升——更快的报告失败

以 上讨论的是匹配成功的演进过程，而对于一个正则表达式，在匹配失败的情况下，如果能够以最快的速度报告匹配失败，也会提升匹配效率，这或许是我们设计正则 过程中最容易忽略的。而在源字符串数据量非常大，或正则表达式比较复杂的情况下，是否能够快速报告匹配失败，将对匹配效率产生直接的影响。

下面将构建匹配失败的正则表达式，对匹配过程进行分析。

以下匹配过程分析中，源字符串统一为： The phrase "regular expression" is called "Regex" for short.

3.2.1   非贪婪模式匹配失败过程分析

 

 

图 3-1

构建匹配失败的非贪婪模式的正则表达式： " .*?" @

由于最后的“ @ ”的存在，这个正则表达式最后一定是匹配失败的，那么看一下匹配过程。

首先由“ " ”取得控制权，由位置 0 处开始尝试匹配，匹配失败，直到图中标示的 A 处匹配成功，控制权交给“ .*? ”。

“ .*? ”取得控制权后，由 A 后面的位置开始尝试匹配，由于是非贪婪模式，首先忽略匹配，将控制权交给“ " ”，同时记录一下回溯状态。“ " ”取得控制权后，由 A 后面的位置开始尝试匹配，匹配字符“ r ”失败，查找可供回溯的状态，将控制权交给“ .*? ”，由“ .*? ”匹配字符“ r ”。重复以上过程，直到“ .*? ”匹配了 B 处前面的字符“ n ”，“ " ”匹配了 B 处的字符“ ” ”，将控制权交给“ @ ”。由“ @ ”匹配接下来的空格“ ”，匹配失败，查找可供回溯的状态，控制权交给“ .*? ”，由“ .*? ”匹配空格。继续重复以上匹配过程，直到由“ .*? ”匹配到字符串结束位置，将控制权交给“ " ”。由于已经是字符串结束位置，匹配失败，报告整个表达式在位置 11 处匹配失败，一轮匹配尝试结束。

正则引擎传动装置使正则向前传动，进入下一轮尝试。后续匹配过程与第一轮尝试匹配过程基本类似，可以参考图 3-1 。

从匹配过程中可以看到，非贪婪模式的匹配失败过程，几乎每一步都伴随着回溯过程，对匹配效率的影响是很大的。

3.2.2   贪婪模式匹配失败过程分析——大范围子表达式

 

 

图 3-2

PS ：以上分析过程图示参考了《精通正则表达式》一书相关章节图示。

构建匹配失败的贪婪模式的正则表达式： " .*" @

其中量词修饰的子表达式为匹配范围较大的“ . ”，由于最后的“ @ ”的存在，这个正则表达式最后也是一定匹配失败的，看一下匹配过程。

首先由“ " ”取得控制权，由位置 0 处开始尝试匹配，匹配失败，直到图中标示的 A 处匹配成功，控制权交给“ .* ”。

“ .* ”取得控制权后，由 A 后面的位置开始尝试匹配，由于是贪婪模式，优化尝试匹配，一直匹配到字符串的结束位置，将控制权交给“ " ”。“ " ”取得控制权后，由于已经是字符串的结束位置，匹配失败，查找可供回溯的状态，将控制权交给“ .* ”，由“ .* ”让出已匹配字符“ . ”。重复以上过程，直到后面“ " ”匹配了 C 处后面的字符“ ” ”，将控制权交给“ @ ”。由“ @ ”匹配接下来 D 处的空格“ ”，匹配失败，查找可供回溯的状态，控制权交给“ .* ”，由“ .* ”让出已匹配文本。继续重复以上匹配过程，直到由“ .* ”让出所有已匹配的文本到 I 处，将控制权交给“ " ”。“ " ”匹配失败，由于已经没有可供回溯的状态，报告整个表达式在位置 11 处匹配失败，一轮匹配尝试结束。

正则引擎传动装置使正则向前传动，进入下一轮尝试。后续匹配过程与第一轮尝试匹配过程基本类似，可以参考图 3-2 。

从匹配过程中可以看到，大范围子表达式贪婪模式的匹配失败过程，从总体上看，与非贪婪模式没有什么区别，最终进行的回溯次数与非贪婪模式基本一致，对匹配效率的影响仍然很大。

3.2.3   贪婪模式匹配失败过程分析——改进的子表达式

 

 

图 3-3

构建匹配失败的贪婪模式的正则表达式： " [^" ]*" @

其中量词修饰的子表达式，改为匹配范围较小的排除型字符组“ [^" ] ”，由于最后的“ @ ”的存在，这个正则表达式最后也是一定匹配失败的，看一下匹配过程。

首先由“ " ”取得控制权，由位置 0 处开始尝试匹配，匹配失败，直到图中标示的 A 处匹配成功，控制权交给“ [^" ]* ”。

“ [^" ]* ”取得控制权后，由 A 后面的位置开始尝试匹配，由于是贪婪模式，优先尝试匹配，一直匹配到 B 处，将控制权交给“ " ”。“ " ”匹配接下来的的字符“ " ”，匹配成功，将控制权交给“ @ ”。由“ @ ”匹配接下来的空格“ ”，匹配失败，查找可供回溯的状态，控制权交给“ [^" ]* ”，由“ [^" ]* ”让出已匹配文本。继续重复以上匹配过程，直到由“ [^" ]* ”让出所有已匹配的文本到 C 处，将控制权交给“ " ”。“ " ”匹配失败，由于已经没有可供回溯的状态，报告整个表达式在位置 11 处匹配失败，一轮匹配尝试结束。

正则引擎传动装置使正则向前传动，进入下一轮尝试。后续匹配过程与第一轮尝试匹配过程基本类似，可以参考图 3-3 。

从匹配过程中可以看到，使用了排除型字符组的贪婪模式的匹配失败过程，从总体上看，大量减少了每轮回溯的次数，可以有效的提升匹配效率。

3.2.4   贪婪模式匹配失败过程分析——固化分组

通过 3.2.3 节的分析可以知道，由于“ [^" ]* ”使用了排除型字符组，那么图 3-3 中，在 A 和 B 之间被匹配到的字符，就一定不会是字符“ " ”，所以 B 到 C 之间回溯过程就是多余的，也就是说在这之间的可供回溯的状态完全可以不记录。 .NET 中可以使用固化分组， Java 中可以使用占有优先量词来实现这一效果。

 

 

图 3-4

首先由“ " ”取得控制权，由位置 0 处开始尝试匹配，匹配失败，直到图中标示的 A 处匹配成功，控制权交给“ (?>[^" ]*) ”。

“ (?>[^" ]*) ”取得控制权后，由 A 后面的位置开始尝试匹配，由于是贪婪模式，优先尝试匹配，一直匹配到 B 处，将控制权交给“ " ”，在这一匹配过程中，不记录任何可供回溯的状态。“ " ”匹配接下来的字符“ ” ”，匹配成功，将控制权交给“ @ ”。由“ @ ”匹配接下来的空格“ ”，匹配失败，查找可供回溯的状态，由于已经没有可供回溯的状态，报告整个表达式在位置 11 处匹配失败，一轮匹配尝试结束。

正则引擎传动装置使正则向前传动，进入下一轮尝试。后续匹配过程与第一轮尝试匹配过程基本类似，可以参考图 3-4 。

从匹配过程中可以看到，使用了固化分组的贪婪模式的匹配失败过程，没有涉及到回溯，可以最大限度的提升匹配效率。

3.3      非贪婪模式向贪婪模式的转换

使用匹配范围较大的子表达式时，贪婪模式与非贪婪模式匹配到的内容会有所不同，但是通过优化子表达式，非贪婪模式可以实现的匹配，贪婪模式都可以实现。

比如在实际应用中，匹配 img 标签的内容。

举例 ：

需求：取得 img 标签中的图片地址， src= 后固定为“ ” ”

源字符串： <img class=" test" src=" /img/logo.gif" title=" 测试 " />

正则表达式一： <img/b.*?src=" (.*?)" .*?>

匹配结果中，捕获组 1 的内容即为图片地址。可以看到，这个例子中使用的都是非贪婪模式，而根据上面章节的分析，后面两个非贪婪模式都可以使用排除型字符组，将非贪婪模式转换为贪婪模式。

正则表达式二： <img/b.*?src=" ([^" ]*)" [^>]*>

注 ：“ src= " … " ”和标签结束标记符“ > ”之间的属性中，也可能出现字符“ > ”，但那是极端情况，这里不予讨论。

后两处非贪婪模式，可以通过排除型字符组转换为贪婪模式，提高匹配效率，而“ src= ”前的非贪婪模式，由于要排除的是一个字符序列“ src= ”，而不是单独的某一个或几个字符，所以不能使用排除型字符组。当然也不是没有办法，可以使用顺序环视来达到这一效果。

正则表达式三： <img/b(?:(?!src=).)*src=" ([^" ]*)" [^>]*>

“ (?!src=). ”表示这样一个字符，从它开始，右侧不能是字符序列“ src= ”，而“ (?:(?!src=).)* ”就表示符合上面规则的字符，有 0 个或无限多个。这样就达到排除字符序列的目的，实现的效果同排除型字符组一样，只不过排除型字符组排除的是一个或多个字符，而这种环视结构排除的是一个或多个有序的字符序列。

但 是以顺序环视的方式排除字符序列，由于在匹配每一个字符时，都要进行较多的判断，所以相对于非贪婪模式，是提升效率还是降低效率，要根据实际情况进行分 析。对于简单的正则表达式，或是简单的源字符串，一般来说是非贪婪模式效率高些，而对于数量较大源字符串，或是复杂的正则表达式，一般来说是贪婪模式效率 高些。

比如上面取得 img 标签中的图片地址需求，基本上用正则表达二就可以了；对于复杂的应用，如平衡组中，就需要使用结合环视的贪婪模式了。

以匹配嵌套 div 标签的平衡组为例：

Regex reg = new Regex (@"(?isx)                      # 匹配模式，忽略大小写，“. ”匹配任意字符

                      <div[^>]*>                      # 开始标记 “ <div...> ”

                          (?>                         # 分组构造，用来限定量词 “ * ” 修饰范围

                               <div[^>]*>  (?<Open>)   # 命名捕获组，遇到开始标记，入栈，Open 计数加1

                          |                           # 分支结构

                              </div>  (?<-Open>)      # 狭义平衡组，遇到结束标记，出栈，Open 计数减1

                          |                           # 分支结构

                              (?:(?!</?div/b).)*      # 右侧不为开始或结束标记的任意字符

                          )*                          # 以上子串出现0 次或任意多次

                          (?(Open)(?!))               # 判断是否还有'OPEN' ，有则说明不配对，什么都不匹配

                      </div>                           # 结束标记 “ </div> ”

                      " );

“ (?:(?!</?div/b).)* ”这里使用的就是结合环视的贪婪模式，虽然每匹一个字符都要做很多判 断，但这种判断是基于字符的，速度很快，而如果这里使用非贪婪模式，那么每次要做的就是分支结构“ | ”的判断了，而分支结构是非常影响匹配效率的，其代价远远高于对确定字符的判断。而另外一个原因，就是贪婪模式可以结合固化分组来提升效率，而对非贪婪模式使用固化分组却是没有意义的。

4        贪婪与非贪婪——最后的回顾

4.1      一个例子的匹配原理回顾

再回过头来看一下 2.1.1 节例子中正则，前面从应用角度进行了分析，但讨论过匹配原理后会发现，匹配过程并不是那么简单的，下面从匹配原理角度分析的匹配过程。

 

 

图 4-1

首先由“ < ”取得控制权，由位置 0 位开始尝试匹配，匹配字符“ a ”，匹配失败，第一轮匹配结束。第二轮匹配从位置 1 开始尝试匹配，同样匹配失败。第三轮从位置 3 开始尝试匹配，匹配字符“ < ”，匹配成功，控制权交给“ d ”。

“ d ”尝试匹配字符“ d ”，匹配成功，控制权交给“ i ”。重复以上过程，直到由“ > ”匹配到字符“ > ”，控制权交给“ .* ”。

“ .* ”属于贪婪模式，将从 B 处后的字符“ t ”开始，一直匹配到 E 处，也就是字符串结束位置，将控制权交给“ < ”。

“ < ”从字符串结束位置尝试匹配，匹配失败，向前查找可供回溯的状态，把控制权交给“ .* ”，由“ .* ”让出一个字符“ c ”，把控制权再交给“ < ”，尝试匹配，匹配失败，向前查找可供回溯的状态。一直重复以上过程，直到“ .* ”让出已匹配的字符“ < ”，实际上也就是让出了已匹配的子串“ </div>cc ”为止，“ < ”才匹配字符“ < ”成功，控制权交给“ / ”。

接下来由“ / ”、“ d ”、“ i ”、“ v ”分别匹配对应的字符成功，此时整个正则表达式匹配完毕。

4.2      贪婪与非贪婪——量词的细节

4.2.1   区间量词的非贪婪模式

前面提到的非贪婪模式，一直都是使用的“ *? ”，而没有涉及到其它的区间量词，对于“ *? ”和“ +? ”这样的非贪婪模式，大多数接触过正则表达式的人都可以理解，但是对于区间量词的非贪婪模式，比如“ {m,n}? ”，要么是没见过，要么是不理解，主要是这种应用场景非常少，所以被忽略了。

首先需要明确的一点，就是量词“ {m,n} ”是匹配优先量词，虽然它有了上限，但是在达到上限之前，能够匹配，还是要尽可能多的匹配的。而“ {m,n}? ”就是对应的忽略优先量词了，在可匹配可不匹配的情况下，尽可能少的匹配。

接下来举一个例子说明这种非贪婪模式的应用。

举例 （参考 限制字符长度与最小匹配 ）：

需求：如何限制在长度为 100 的字符串中，从头匹配到最先出现的 abc

csdn.{1,100}abc 这样写是最大匹配 (1-100 个字符串中，我需要最小的 )

比如 csdnfddabckjdsfjabc ，匹配结果应为： csdnfddabc

正则表达式： csdn.{1,100}?abc

或许对这个例子还有人不是很理解，但是想想，其实“ * ”就等价于“ {0,} ”，“ + ”就等价于“ {1,} ”，“ *? ”也就是“ {0,}? ”，抽象出来也就是“ {m,}? ”，即上限为无穷大。如果上限为一个固定值，那就是“ {m,n}? ”，这样应该也就可以理解了。

“ {m} ”没有放在匹配优先量词中，同样的，“ {m}? ”虽然被部分语言所支持，但是也没有放在忽略优先量词中，主要是因为这两种量词，实现的效果是一样的，只有被修饰的子表达式匹配 m 次才能匹配成功，且没有可供回溯的状态，所以也不存在是匹配优先还是忽略优先的问题，也就不在本文的讨论范围内。事实上即使讨论也没有意义的，只要知道它们的匹配行为也就是了。

4.2.2   忽略优先量词的匹配下限

对于匹配优先量词的匹配下限很好理解，“ ? ”等价于“ {0,1} ”，它修饰的子表达式，最少匹配 0 次，最多匹配 1 次；“ * ”等价于“ {0,} ”，它修饰的子表达式，最少匹配 0 次，最多匹配无穷多次；“ + ”等价于“ {1,} ”，它修饰的子表达式，最少匹配 1 次，最多匹配无穷多次。

对于忽略优先量词的下限，也是容易忽略的。

“ ?? ”也是忽略优先量词，被修饰的子表达式使用的也是非贪婪模式，“ ?? ”修饰的子表达式，最少匹配 0 次，最多匹配 1 次。在匹配过程中，遵循非贪婪模式匹配原则，先不匹配，即匹配 0 次，记录回溯状态，只有不得不匹配时，才去尝试匹配。

“ *? ”修饰的子表达式，最少匹配 0 次，最多匹配无穷多次；“ +? ”修饰的子表达式，最少匹配 1 次，最多匹配无穷多次，“ +? ”虽然使用的是非贪婪模式，在匹配过程中，首先要匹配一个字符，之后才是忽略匹配的，这一点也需要注意。

4.3      贪婪与非贪婪模式小结

Ø   从语法角度看贪婪与非贪婪

被匹配优先量词修饰的子表达式，使用的是贪婪模式；被忽略优先量词修饰的子表达式，使用的是非贪婪模式。

匹配优先量词包括：“ {m,n} ”、“ {m,} ”、“ ? ”、“ * ”和“ + ”。

忽略优先量词包括：“ {m,n}? ”、“ {m,}? ”、“ ?? ”、“ *? ”和“ +? ”。

Ø   从应用角度看贪婪与非贪婪

贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配；而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。非贪婪模式只被部分 NFA 引擎所支持。

Ø   从匹配原理角度看贪婪与非贪婪

能达到同样匹配结果的贪婪与非贪婪模式，通常是贪婪模式的匹配效率较高。

所有的非贪婪模式，都可以通过修改量词修饰的子表达式，转换为贪婪模式。

贪婪模式可以与固化分组结合，提升匹配效率，而非贪婪模式却不可以。