正则表达式基础与学习03----来自《编译原理与实践》

 在下面的示例中，被匹配的串通常是英语描述，其任务是将描述翻译为正则表达式。包含
了记号描述的语言手册是编译器的程序员最常见的。偶尔还需要变一下，也就是将正则表达式
翻译为英语描述，我们也有一些此类的练习。
例2.1 在仅由字母表中的3个字符组成的简单字母表å = {a, b, c}中，考虑在这个字母表上的仅
包括一个b 的所有串的集合，这个集合由正则表达式
( a | c ) * b ( a | c ) *
产生。尽管b出现在正则表达式的正中间，但字母b 却无需位于被匹配的串的正中间。实际上，
在b 之前或之后的a 或c 的重复会发生不同的次数。因此，串b、a b c、a b a c a、b a a a a c、c c b a c a
和ccccccb 都与上面的正则表达式匹配。
例2.2 在与上面相同的字母表中，如果集合是包括了最多一个b 的所有串，则这个集合的正则
表达式可通过将上例的解作为一个解（与那些仅为一个b 的串匹配），而正则表达式( a | c ) *
则作为另一个解（与b 根本不匹配）来获取。因此有以下解：
( a | c ) * | ( a | c ) * b ( a | c ) *
下面是一个既允许b 又允许空串在重复的a 或c 之间出现的另一个解：
( a | c ) * ( b | ) ( a | c ) *
本例引出了正则表达式的一个重要问题：不同的正则表达式可生成相同的语言。虽然在实际中
从未尝试着证实已找到了“最简单的”，例如最短的，正则表达式，但通常总是试图用尽可能
简单的正则表达式来描述串的集合。这里有两个原因：首先在现实中极少有标准的“最短的”
解；其次，在研究用作识别正则表达式的方法时，那儿的算法无需首先将正则表达式简化就可
将识别过程简化了。
例2.3 在字母表å= {a, b}上的串S的集合是由一个b及在其前后有相同数目的a 组成：
S = { b, aba, aabaa, aaabaaa, . . . } = { an b an | n≠0 }
正则表达式并不能描述这个集合，其原因在于重复运算只有闭包运算*一种，它允许有任意次
的重复。因此如要写出表达式a * b a *（尽可能接近地得到S的正则表达式），就不能保证在b 前
后的a 的数量是否相等了，它通常表示为“不能计算的正则表达式”。但若要给出一个数学论
证，则需使用有关正则表达式的称作P u m p i n g引理（Pumping lemma）的著名定理，这将在自
动机理论中学到，现在就不谈了。
很明显，并非用简单术语描述的所有串都可由正则表达式产生，因此为了与其他集合相区
分，作为正则表达式语言的串集合称作正则集合（ regular set）。非正则集合偶尔也作为串出现
在需要由扫描程序识别的程序设计语言中，通常是在出现时才处理它们，我们也将其放在扫描
程序一节中讨论。
例2.4 在字母表å= {a, b, c}上的串S中，任意两个b 都不相连，所以在任何两个b 之间都至
少有一个a 或c。可分几步来构造这个正则表达式，首先是在每一个b 后都有一个a 或c，它
写作：
( b ( a | c ) ) *
将其与表达式( a | c ) *合并，( a | c ) *是与完全不包含b 的串匹配，则写作：
( ( a | c ) * | ( b ( a | c ) ) * ) *
或考虑到( r * | s * ) *与( r | s ) *所匹配的串相同，则：
( ( a | c ) | ( b ( a | c ) ) ) *
或
( a | c | b a | b c ) *
（警告！这还不是正确答案）。
这个正则表达式产生的语言实际上具有了所需的特性，即：没有两个相连的b（但这还不正
确）。有时需要证明一下上面的这个说法，也就是证明在L(( a | c | b a | b c ) *)中的所有串都不包
括两个相连的b。该证明是通过对串长度（即串中字符数）的归纳实现的。很显然，它对于所有
长度为0、1和2的串是正确的：这些串实际是串、a、c、a a、a c、c a、c c、ba 和b c。现在假设
对于在长度i < n 的语言中的所有串也为真，并令s 是长度为n > 2 的语言中的一个串，那么s 包
含了至少一个上面所列的非的串，所以s = s1s2，其中s1 和s2 也是语言中的非串。通过假设归
纳，证明了s1 和s2 都没有两个相连的b。因此要使s 本身包括两个相连的b 的唯一方法是使s1 以
一个b 结尾，而s2 以一个b 开头。但又因为语言中的串都不以b 结尾，所以这是不可能的。
论证中的最后一个事实，即由上面的正则表达式所产生的串都不以b 结尾，也显示了我们
的解还不太正确：它不产生串b、a b和c b，这3个都不包括两个相连的b。可以通过为其添加一
个可选的结尾b来修改它，如下所示：
( a | c | b a | b c ) * ( b | )
这个正则表达式的镜像也生成了指定的语言：
( b| ) ( a | c | a b | c b ) *
以下也可生成相同的语言：
(n o t b|b notb ) * ( b | )
其中n o t b = a | c。这是一个使用了下标表达式名字的例子。由于无需将原表达式变得更复杂就
可使n o t b的定义调整为包括了除b 以外的所有字符，因此实际是在字母表较大时使用这个解。
例2.5 本例给出了一个正则表达式，要求用英语简要地描述它生成的语言。若有字母表å =
{a, b, c}，则正则表达式：
( ( b | c ) * a ( b | c ) * a ) * ( b | c ) *
生成了所有包括偶数个a 的串的语言。为了看清它，可考虑外层左重复之中的表达式：
( b | c ) * a ( b | c ) * a
它生成的串是以a 结尾且包含了两个a（在这两个a 之前或之间可有任意个b 和c）。重复这些串
则得到所有以a 结尾的串，且a 的个数是2的倍数（即偶数）。在最后附加重复(b | c)*（如前
例所示）则得到所需结果。
这个正则表达式还可写作：
(n o t a* a nota* a)* n o t a*