正则表达式

文章原文https://white-night.club/index.php/2023/04/23/study12/

在之前我们提到过正则文法RG的定义：左部为语法变量，右部为语法变量或语法变量与字符串的连接。例子如下（大写字母表示语法变量）：

A→B | A→ωB | A→B

而除了用正则文法描述单词外，还可以用正则表达式(regular expression)来描述单词。

正则表达式的定义

与正则文法等价

给定一个字母表Σ，则它的正则表达式有：

• Ø 表示空集
• ε 表示空字符串集合 { ε }
• 对应任意字母表中的一个字符a，所得的正则表达式为它本身，即 a。
• 如果r和s都是Σ上的正则表达式，那么有：
  • r | s也是Σ上的正则表达式，“|”表示或。
  • r · s也是Σ上的正则表达式，“·”表示连接，一般可以省略不写。
  • r*也是Σ上的正则表达式，“*”表示克林闭包。

而正则表达式代表的语言或集合则被称为正则集(regular set)。

直接给个例子，比如字母表Σ={a,b}，那么它的正则表达式以及正则表达式表示的集合有：

• 正则表达式：a|b
  • 正则集：{a,b}
• 正则表达式：aa|bb
  • 正则集：{aa,bb}
• 正则表达式：(a)(a|b) 等价于 aa|ab
  • 正则集：{aa,ab}
• 正则表达式：a*
  • 正则集：{ε,a,aa,aaa,…}
• 正则表达式：(a|b)*
  • 正则集：{ε,a,b,aa,bb,ab,abbbb,…}（由a和b构成的字符串的集合）

正则表达式的代数定律

常用于其等价变换

综上我们可以看到，正则表达式还满足一些代数定律：

• 或符号 |
  • 满足交换律 r|s=s|r
  • 满足结合律 r|(s|t)=(r|s)|t
• 连接符号 ·
  • 满足结合律 (rs)t=r(st)
  • 对于或符号满足分配律 r(s|t)=rs|rt
• 克林闭包符号 *
  • 满足 r*=(r|ε)*
  • 满足幂等关系 r**=r*

其中，正则表达式还满足以下规则：

• 克林闭包与正闭包之间的转换
  • r*=r+|ε （克林闭包比正闭包多一个空字符串ε的体现）
  • r+=r*r=rr* （表示的集合中的字符串，至少由一个r组成）
• 符号 ?，表示“0或一个”
  • r?=r|ε。其表示的集合为{ε,r}
• 字符类，使用方括号[ ]简写正则表达式
  • [a-z]表示正则表达式 a|b|c|d|e|…|z
  • [0-9]表示正则表达式0|1|2|…|9
  • [A-Za-z][A-Za-z0-9]*表示正则表达式 (A|…|Z|a|…|z)(A|…|Z|a|…|z|0|…|9)*。该正则表达式可以用来描述标识符的集合（其中标识符不能以数字开头）。

正则表达式↔正则集

相关例题

我们整两个课后习题巩固下相关知识。

先来道从正则表达式→正则集的：

给定正则表达式 ((ε|0)1*)* ，求其正则集

先看最外层，克林闭包大致表示：字符的无限种组合。那么最外层的克林闭包符号不如向括号内移，得到

((ε|0)*1*)* (其中1**=1*）

发现(ε|0)*可以等价为0*。继续得到

(0*1*)*

到这就很明显了，该正则表达式表示的集合：由0和1构成的字符串，其中包括空字符串ε。其正则集为

{ε,0,1,001,011,…} 或 {x|x是0和1构成的字符串，包括ε}

形式语言与自动机

额外拓展

接上面，再来个正则集→正则表达式的例题：

给定正则集 {x|x∈{0,1}+ & x中不含有形如10110的子串}，求其正则表达式。

很明显，你直接想是很难想出来该怎么写的，得画状态转换图。但这块的知识在《形式语言与自动机》中，所以建议各位先看网课自学并掌握以下内容：

• 状态消除法–将状态转换图化为正则表达式。
• 怎么画状态转换图？状态转换图表达的含义是什么？

言归正传，在本题中，你应该能得出这个状态转换图

q0-q4的状态转换图

• 图的入度（或入边）：表示“向其指向的图输入某个值”。
• 图的出度（或出边）：表示“向其指向的图输出某个值”。
• 边上的字符：表示输入或输出的值。
• 图自己指向自己：表示克林闭包。如图中的q0→q0，表示q0向q0输出(0*).

接下来是利用状态消除法将该图化为正则表达式，状态消除法的规则如下：

• 向图中添加起始点和终点，并设置读入/读到空字符串ε。不然最后消去所有节点后图就是空白的了。
• 找到某个要消去的节点（假设为q4)
• 忽略其自己指向自己的边。然后计算它的出度n和入度m（q4入度为1；出度为1）
• 去掉该节点以及和它相连的所有边。并在图中的某个节点上补充m*n条边。

对于该题，我们已经有了它的状态转换图，接下来就是将它转换为正则表达式。

写者注

附：作图的时候忘记加双层圆了，实际上q0-q4这五个节点都应该加上双层圆。表示“自动机可以在该节点终止”。具体的建议各位自行了解。

将其转换为正则表达式，我们需要对图中的每个“终止状态”，通过状态消除法，添加起始点和终点求解正则表达式。

以该图为例，先以q0为终止状态，添加对应的终点。（可能缺点细节，但不影响）

以q0为终点

然后消去q4。分析q4的入度和出度：

• 入度：q3-q4
• 出度：q4-q1

可见我们需要补上m*n，即一条边。所补的边应该是q3-q1。

从q3到q1，需要经过1→1*→1。所以q1应该读入11*1。得到图为

去掉q4

接着我们去掉q3，它的出入度情况为

• 入度：q2-q3
• 出度：q3-q2 q3-q1

说明我们需要补两条边，分别是：q2-q2，q2-q1。

q2读入10，转入状态q0；q2读入1-11*1-1*，即111*11*，转入状态q1，所得状态图为：

去掉q3

接下来去掉q2，和上面过程一样，得到图：

去掉q2

接下来就是去掉q1了,得到图：

去掉q1

现在只剩q0。很明显，把q0去掉，所得到的结果就是q0为终点的正则表达式。结果如下

(0+1(1+0(10)*(111*11*))*(0(10)*0))*

当然，根据你去掉节点顺序的不同，最后得到的结果也不同。但这些结果之间是等价的、可以相互转换的.

然后再对q1-q4这几个节点做相同的操作，最后得到的正则表达式相加便是结果。（但这过程太长；而且说实话，想了下我写的q0确实等价于答案给的q0，但我忙活半天，这纸质过程真写不出来。所以这里直接放结果了）。

标签：编译原理