从头开始，搭建一个正则表达式引擎（三）优化、匹配、总结

2019独角兽企业重金招聘Python工程师标准>>>

第四步，消去ε边

理论上，即使不消ε边也是没有问题的，顶天多转移两次状态，多花点时间罢了，对匹配的影响，嗯，不大。

不过出于效率，我们还是要消一下的。

只要在纸上写写画画几次，就能看出来了，消ε边的规则如下：

1）遍历状态图，找到一个ε边，设其起点为A，终点为B

2）如果A==B，也就是起点终点重合，这个ε边是坏边，删掉它

3）如果B只有ε边一个输入边，那么我们只需要将B的所有输出转移到A上，取代ε边的位置即可

4）如果A只有ε边一个输出边，那么我们只需要将所有指向A的边的目标都改成B并删掉ε边就行了

5）否则，我们就只好复制B的所有输出，插入A的ε边的位置（删掉ε边）

遍历状态图完成上述的操作后，ε边是消去了，但是还有大量的无用节点（没有输入边的节点）保留了下来，所以我们还要删掉这些节点。

另外，我们在出列"(: )"是，只是添加了报告位置的输出边，那么现在，我们需要对这些边进行编号了，以方便讲报告的数据写入相应的分组里。（分组进行编号要在消去ε边之前！不然会因为边的复制出现错误）

注意在消去ε边之前，记得要在起点添加一个输入边（进入匹配），在终点添加一个输出边（匹配成功），以免在消ε边时把正常节点也给误删了。

我不是使用列表来表示状态图的，那样实在是不够直观，不好理解，我使用的是梳状链表，分别有节点和路径两种类型，然后节点形成一个链表，每个节点下有一个路径的链表（表示以该节点为起点的路径），每个路径都包含着目标节点的指针（和条件、操作）。于是，不考虑目标路径的指针的话，整个结构就好像是参差不齐的梳子一样。

这样的好处是比较直观，利于插入删除节点和边，缺点是打字较多……，还有一个好处，就是保持了节点的相对位置——于是我们可以正确的对报告边进行编号，至于这个编号就比较简单了，堆栈也好，状态数组也好，实现起来都简单的很，不多说。

第五步，进行匹配

匹配么，有了有限自动机，反而容易多了，vczh的有限自动机是没有我另加的三个边（进入重复、累计重复、退出重复——这三个边是配合起来实现限定次数重复的）的，他只需要记录当前节点、当前匹配位置、分组数据即可，而我还需要记录重复堆栈和当前重复指示，效率无疑是低了些。

匹配的方法，相当简单。

首先，我们需要一个堆栈，堆栈的成员是上述的数据（当前节点、当前匹配位置、分组数据、重复堆栈和当前重复指示），我使用的是一个定长的struct，相对简单，但缺点是对分组数目和重复的嵌套次数都有限制。

先往堆栈里加入最初状态；随后进入循环。每一次循环，都从堆栈里取出一个成员，然后根据成员的当前节点下的路径，凡是能走通的都生成新的状态加入堆栈里。这个循环不断进行，直到堆栈清空（匹配失败），或者到达最后结束节点为止（我使用的就是NULL）。

如此，这个正则表达式引擎已经基本完成了。只要再做一下包装（比如我用一个类进行了封装，添加了一些基于基本匹配的进阶方法），就可以投入使用了。

总结

其实，整个表达式写下来，包括数据结构和各种函数等等等等，也不过不到1000行，20kb左右大小。

但是，不是这么计算的。

写正则表达式，我有了不少以前的积累：

使用了List（类似python的列表）、Graph（梳状链表）、BlockStack（块状数组堆栈）三个容器模板；

使用了Label（char*的封装，差不多等于C++的string）这个类；

使用了Operator（可定制表达式解析器类模板）来第二次分析表达式构建自动机；

而Operator使用了Cast类来实现映射，Cast类是使用RBT（红黑树）和Item（映射）类实现的……

使用了Environment（利用类的构造函数和全局变量模拟预处理函数）来进行数据的预处理和注册函数。

全部加起来，即使去掉无关部分，估计也要2000-3000行，50kb左右吧。

以前的积累真的救了我一命。

转载于:https://my.oschina.net/liudiwu/blog/111329