正则小结

　　正则就是一段描述匹配规则的字符串，经解析，能匹配想要的字符串。就好比受害者描述嫌疑人的体貌特征，警察会从众多体貌相近的人中进行筛选，描述得准确，可以减少排查范围，加快破案的速度。传统型NFA就是典型的例子，决定权在于你， 看你的如何描述，如何引导正则引擎去高效地匹配相应内容。大多数人看到正则晦涩难懂，只要求会用， 不去考究它的工作原理， 是很难活学活用的。自己也差不多， 很难系统地去学习正则， 非要写的时候也是参考手册写的， 这次难得有闲情雅致去啃这硬骨头， 比以前了解得稍微多了点， 在此做个小结。

　　个人是在JS中使用正则的，其中的正则是Perl正则的一个完整的子集，属于传统型NFA。正则引擎分为DFA，传统型NFA ，POSIX NFA。DFA和NFA的最大区别是， DFA是文本主导的，每个字符只会检查一遍，不会回溯，不支持捕获型括号，遵循最左最长原则。POSIX NFA的典型特征是，虽然它是表达式主导的，在匹配到第一个结果以后，会继续尝试所有可能性（分支），直到找到最长的匹配为止。所以相比较而言，POSIX NFA的速度最慢。(/a|ab/去匹配字符串'abc')。

 

---

 

　　举个较常见的例子，12312312345 ==> 12,312,312,345  (每三位之间加逗号)。分析一下，在添加逗号的地方，右侧是3的整数倍的数字，左侧是1-3个数字。如果对环视(预查)不陌生的话，能很快想到/(?<=\d)(?=(?:\d{3})+)/，将这些位置替换为逗号。但是?<=在js中是不被支持的，得脱离反向环视。s.replace(/\d(?=(?:\d{3})+)/g,function(){return arguments[0]+',';})可以很出色的完成这个任务,当然还有很多的替代方案，例如s.match(/\d(?=(?:\d{3})*)/).join(',') 这里和之前正则唯一的不同就是+改成了*号，我们需要最后3个数字，才能拼接成我们想要的字符串。如果不使用环视呢，我能想到的办法，就是循环。

　　　　var r = /(\d)((\d{3})+)$/;
        while(r.test(s)){
                s = s.replace(r,function(){
                    var arg = arguments;
                    return arg[1]+','+arg[2];
                });
        }

当然这样的代价是很大的，效率会低很多。可见达到目的，方法有很多，如果选择一个最合适的方法，必须得花点本钱花点时间去了解传统型NFA的工作原理。

 

---

 

　　表达式匹配的过程

　　1 编译为内部形式。 每个表达式的行程都会消耗一定的资源，对于重复出现的表达式，一定要一次声明，多处使用，尤其是在循环中。

　　2 开始传动，正则引擎定位到目标字符串的起始位置。如果指定的lastIndex，就是从这个位置开始。

　　3 依次检测表达式的各个元素，控制权在不同的元素之间切换。

　　4 寻找合适的结果。传统型一旦检测到合适的结果就会终止检索，如果有g修饰符，会从之前匹配的字符之后去检索，而POSIX NFA会尝试各种可能性，匹配最长的结果。

　　5 如果失败，会从步骤3重新开始。

　　6 彻底宣告失败。

 

---

 　优化措施

　　对其工作原理有一定了解以后，需要通过大量的实践才能归纳出些许优化手段。当然我做的还是很少的，参考书上，照搬到这里。

　　  　　  1 行锚点优化 ^ $，  /dasd$/能够从字符串倒数第四位开始匹配。
            　　独立出^$, ^(and) 比 (^abc)效率高，因为第二个在检测锚点之前必须进入到字符串
        　　2 如果正则以 .* 开头，而且没有g， 可认为词表达式开头有一个看不见的^， 减少大量的回溯
        　　3 字符串连接优化，将abc当做一个元素，而不是三个
        　　4 消除不必要的括号 (?:.)* -> .*
        　　5 消除不必要的字符组 [.]->\.
        　　6 (非贪婪)->使用忽略优先量词的时候，引擎通常需要在量词作用对象和该对象之后的字符之间切换，速度较慢。
        　　"(.*?)"         *尝试匹配0，查看下一次字符是否是",依次迭代。另外一个缺点就是，"在括号外面，会带来额外的开销。
        　　可以使用[^"]来代替通配符(.), ?也可以去掉。
        　　7 避免指数级(super-linear 超线性)匹配
        　　8 ?>固化分组 和 ?++ 占有优先量词 避免回溯
        　　9 正则一次编译，多次调用，(Perl)减少变量插值
        　　10 使用非捕获型的括号，避免滥用括号, 字符组
        　　11 提取多选结构开头的必须元素(this|that)->th(is|at)
        　　12 忽略优先还是匹配优先，具体情况具体分析。
        　　比如^.*:  相比较于 ^.*?:
            　　前面的正则会匹配到最后一个:  而后面的匹配到第一个:
        　　如果只有一个冒号,如何取舍？
        　　如果:比较靠前 xxx:xxxxxxxxxxxxxxxxxxxxxxxxxx,使用忽略优先
        　　反之，使用匹配优先，因为忽略优先需要检测在量词和:之间切换，表现不如匹配优先; 而此时，匹配优先只需要少量的回溯就可以匹配。
        　　如果数据随机,优先使用匹配优先.
        　　13 多选结构中，出现几率的排在最前面
        　　14 取消循环

---

 

　　传统型NFA是控制能力最强的正则引擎，考量正则的连个标准是准确性和效率，需要花心里在这两则之间找到平衡。所以之前的优化措施显得尤为重要。只有大量的实践以及精益求精的精神才可以提炼出接近完美的正则，虽然有时候正则引擎本身的优化以及强化会极大影响匹配效率，自己能做的是在框架之下做到最好，并且在合适的时机跳出这个框架的约束。

 

转载于:https://www.cnblogs.com/cy056/p/3166198.html