以前一直觉得正则表达式不过是programming中的一个辅助工具而已，但是最近花了几天时间阅读了Jeffrey的《Mastering Regular Expressions》，读完以后才感觉到正则表达式如此的充满魅力，就像Alice从兔子洞看到了神奇的地底世界一样，我也看到了一个神奇的正则表达式的世界。
说到正则表达式的历史，书中有介绍到，它最初的构想源自20世纪40年代的两位神经学学家，而真正使这个构想成为现实的是若干年后一个叫做Stephen Kleene的数学家，正则在计算机领域的应用首先是出现在UNIX的编译器里。这样看来，正则确实有着很长的发展历史，而正是因为经过了这么多年的发展，才使正则从最初的形态发展成了现在这样一个成熟，拥有各种各样的流派(Flavor)的形态。
如果要了解正则，那首先就要了解正则的引擎，它是正则的动力系统。正则的引擎最初有两种，DFA和NFA，即确定型有穷自动机和非确定型有穷自动机，看到这两个概念应该会很熟悉，它们曾出现过在我们大学的编译原理里，说起编译原理，以前学的都有点忘了，现在看到很多大牛们都在研究它，我也要好好补补了，毕竟它是program最重要的基础之一。
好了，继续说正则引擎，这两种正则的引擎处理字符序列的方式和能力是有很大的不同的，因此了解好它们的特点和差异就很重要了，另外，前面提到了正则的发展经过了很长的历史，所以演变出各式各样的流派，这样就变得很不统一，于是就产生了一个POSIX标准，用于统一正则的引擎，所以，不严格的说，现在存在三种正则引擎，即DFA，传统型NFA和POSIX NFA。现在的各种语言是采用不同标准的引擎的，因此你需要了解你用的语言采用了哪种引擎，不过现在大多数的语言采用的都是传统型NFA，可以看到下面的列表，摘抄自书里，不是完整的，但包括了大多数语言和工具：
DFA - egrep(大多数版本), awk(大多数版本), lex, flex, MySQL, Procmail, GNU awk(DFA和NFA混合), GNU grep/egrep(DFA和NFA混合), Tcl(DFA和NFA混合)
传统型NFA - JAVA, .Net, PHP, Ruby, Perl, Python, GUN Emacs, ed, sed(大多数版本), less, more, vi, grep(大多数版本)
POSIX NFA - mwak, GNU Emacs(明确指定时使用)
先来说说DFA，这种引擎是以文本为导向的，意思就是以要检测的文本去匹配正则表达式。
例如要检测"abc"这个文本，正则表达式是"acb|abc|cba",引擎会拿文本中的"a"去匹配正则表达式，这样就排除了"cba"，引擎记录下"acb"和"abc"，接着再拿"b"去匹配，这样就把"acb"也排除了，这样就只剩下"abc"了。
这种引擎的特点是快，因为文本中的同一个字符只检查一次，不会回溯，而且效率和表达式无关，只和要检测的文本有关。但是这种引擎支持的模式很少，它不支持捕获括号，反向引用，环视，非匹配优先量词，这无疑就失去了很多强大的功能。
接着说说传统型NFA，这是很多语言使用的引擎，很重要，需要好好了解。一般来说这种引擎速度没有DFA快，但是功能很强大。这种引擎是表达式主导的，意思就是它是拿着表达式去匹配要检测的文本，等于说就是和DFA正好反过来了，因此它就需要回溯，因为它会先拿一种可能的表达式去匹配文本，匹配不了的话就回溯，接着拿另外一种可能的表达式再去匹配，直到匹配成功或者是尝试完所有可能，因此如果不存在匹配的话，可能会花较长的时间。
还是上面那个例子，首先引擎会拿表达式中"acb"这个分支去匹配文本，匹配不成功，回溯，再拿"abc"这个分支去匹配文本，匹配成功，停止匹配。
传统型NFA中的回溯是很重要的一个机制，它其实就是先尝试一种可能，如果失败的话就退回前面引擎记录的备用状态，继续尝试，直到尝试成功或者完全的失败，回溯在分支选择中有一些原则：
（1）就是对于匹配优先的量词(?,*,+,{min,max})，会先尝试最大的匹配可能，因此也有叫它贪婪模式的
（2）而对于忽略优先的量词(??,*?,+?,{min,max}?),就会尝试最少的匹配
（3）还有一种是占有优先的量词(?+,++,*+,{min,max}+),即匹配成功的话舍弃引擎的保存的备用状态，样即使后面的没匹配上也不会回溯
这样，可以看出来，传统型NFA的效率和表达式的书写有着直接的关系，因此想要对这种引擎进行优化，就要在表达式的书写上花一些功夫，比如减少不必要的分支，避免出现指数级的回溯等等。
传统型NFA中还有一些重要的特性，比如捕获，即根据是否在匹配结束之后还要引用匹配的部分来决定是否要捕获，捕获用的是括号，非捕获用的是(?:)；还有环视，即在当前位置观察左边或者是右边是否存在或是不存在某个表达式，观察结束不改变观察位置，也叫零长度，环视一般用:(?=)肯定正序环视，(?!)否定正序环视，(?<=)肯定逆序环视，否定逆序环视(?<!)来表示。
总之，传统型NFA功能很强大，但需要正确的使用表达式，不然很容易出现错误或是性能问题。
最后是POSIX NFA，这种引擎和传统型NFA基本一样，唯一不同是这种引擎支持查找最长匹配，即会查找所有分支，找出匹配的目标里最长的出来，因此一般来说会比上面两种引擎慢。
上面就是一些关于正则引擎的，了解完正则引擎以后就需要了解一下各语言提供的API和实现的具体细节了，因为各种流派之间是存在一些细节差异的，比如支持的元字符不一样，对各种编码的支持有差别等等，就像在JAVA中"\d","\w","\s"等字符组是只支持ASCII的，如果用它们去匹配UNICODE编码的字符就会出现错误。还有在语法上各语言也是有差异的，像javascript我感觉用起来就有点别扭，比如我想匹配一段文本中的所有某个字符串，每次想用起来总是忘记该则么用，索性记录一下吧：
var regex = /xx/g;
var str = xx;
while(regex.test(str)){
alert(RegExp.$x);
}
啰哩八嗦总结了这么一些，只是个人的学习总结，仅供参考。
扫一扫
106
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
