c++ 正则表达式_Java正则表达式详细解析

元字符

1. 正则表达式使用一些特定的元字符来检索、匹配和替换符合规则的字符串
2. 元字符：普通字符、标准字符、限定字符(量词)、定位字符(边界字符)

正则表达式引擎

1. 正则表达式是一个用正则符号写出来的公式

• 程序对正则表达式进行语法分析，建立语法分析树
• 再根据语法分析树结合正则表达式引擎生成执行程序(状态机)，用于字符匹配
• 正则表达式引擎是一套核心算法，用于建立状态机
• 小结
• 正则表达式 => 语法分析树
• 语法分析树 + 正则表达引擎 => 状态机 => 用于字符匹配

1. 目前实现正则表达式引擎的方式有两种

• DFA自动机(Deterministic Finite Automaton，确定有限状态自动机)
• NFA自动机(Nondeterministic Finite Automaton，非确定有限状态自动机)

1. DFA自动机的构造代价远大于NFA自动机，但DFA自动机的执行效率高于NFA自动机

• 假设一个字符串的长度为n，如果采用DFA自动机作为正则表达式引擎，则匹配的时间复杂度为O(n)
• 如果采用NFA自动机作为正则表达式引擎，NFA自动机在匹配过程中存在大量的分支和回溯，假设NFA的状态数为s，
• 则匹配的时间复杂度为O(ns)

1. NFA自动机的优势是支持更多高级功能，但都是基于子表达式独立进行匹配

• 因此在编程语言里，使用的正则表达式库都是基于NFA自动机实现的

NFA自动机

匹配过程

1. NFA自动机会读取正则表达式的每一个字符，拿去和目标字符串匹配
2. 匹配成功则换正则表达式的下一个字符，反之就继续就和目标字符串的下一个字符进行匹配

text="aabcab"regex="bc"

回溯

1. 用NFA自动机实现的比较复杂的正则表达式，在匹配过程中经常会引起回溯问题
2. 大量的回溯会长时间占用CPU，从而带来系统性能开销

text="abbc"regex="ab{1,3}c"

读取正则表达式第一个匹配符a和字符串第一个字符a进行比较，a对a，匹配

读取正则表达式第二个匹配符b{1,3}和字符串的第二个字符b进行比较，匹配，但b{1,3}表示1~3个字符，而NFA自动机具有贪婪特性，所以不会读取正则表达式的下一个匹配符c

使用b{1,3}和字符串的第四个字符c进行比较，发现不匹配，此时就会发生回溯，已经读取的字符串第四个字符c将被吐出去，指针回到第三个字符b的位置

发生回溯后，读取正则表达式的下一个匹配符c，和字符串的第四个字符c进行比较，结果匹配

避免回溯

避免回溯的方法：使用懒惰模式和独占模式

贪婪模式(Greedy)

1. 在数量匹配中，如果单独使用+、？、*、{min,max}等量词，正则表达式会匹配尽可能多的内容
2. text="abbc" , regex="ab{1,3}c"，发生了一次匹配失败，就会引起一次回溯
3. text="abbbc" , regex="ab{1,3}c"，匹配成功

懒惰模式(Reluctant)

1. 在懒惰模式下，正则表达式会尽可能少地重复匹配字符，如果匹配成功，会继续匹配剩余的字符串
2. 使用?开启懒惰模式，text="abc" , regex="ab{1,3}?c"

• 匹配结果是"abc"，在该模式下NFA自动机首先选择最小的匹配范围，即匹配1个b字符，避免了回溯问题

独占模式(Possessive)

1. 和贪婪模式一样，独占模式一样会最大限度地匹配更多内容，但在匹配失败时会结束匹配，不会发生回溯问题
2. 使用+开启懒惰模式，text="abbc" , regex="ab{1,3}+bc"

• 结果是不匹配，结束匹配，不会发生回溯问题

代码

match("ab{1,3}c