最近的时间内对正则表达式进行了一点点学习。所选教材是《mastering regular expressions》，也就是所谓的《精通正则表达式》。读过一遍后，顿感正则表达式的强大和精湛之处。其中前三章是对正则表达式的基本规则的介绍和铺垫。七章以后是对在具体语言下的应用。而核心的部分则是四五六这三章节。
其中第四章是讲了整个正则表达式的精华，即传统引擎NFA的回溯思想。第五章是一些例子下对回溯思想的理解。第六章则是对效率上的研究。根源也是在回溯思想上的引申和研究。
这篇文章是我结合python官方re模块的文档以及这本书做一个相应的总结。
其中官方的文档：
http://docs.python.org/3.3/library/re.html
由于我都是在python上联系和使用的，所以后面的问题基本都是在python上提出来的，所以这本书中的其它正则流派我均不涉及。依书中，python和perl风格差不多，属于传统NFA引擎，也就是以“表达式主导“，采用回溯机制，匹配到即停止（
顺序敏感，不同于POSIX NFA等采用匹配最左最长的结果）。
对于回溯部分，以及谈及匹配的时候，将引擎的位置总是放在字符和字符之间，而不是字符本身。比如^对应的是第一个字符之前的那个”空白“位置。
基础规则的介绍
python中的转义符号干扰
python中，命令行和脚本等，里面都会对转义符号做处理，此时的字符串会和正则表达式的引擎产生冲突。即在python中字符串'\n'会被认为是换行符号，这样的话传入到re模块中时便不再是‘\n’这字面上的两个符号，而是一个换行符。所以，我们在传入到正则引擎时，必须让引擎单纯的认为是一个'\'和一个'n'，所以需要加上转义符成为'\\n'，针对这个情况，python中使用raw_input方式，在字符串前加上r，使字符串中的转义符不再特殊处理（即python中不处理，统统丢给正则引擎来处理），那么换行符就是r'\n'
基本字符
正则引擎内部的转义符号
01 | \m m是数字，所谓的反向引用，即引用前面捕获型括号内的匹配的对象。数字是对应的括号顺序。 |
03 | \b 可以理解一个锚点的符号，此符号匹配的是单词的边界。这其中的word定义为连续的字母，数字和下划线。 |
04 | 准确的来说，\b的位置是在\w和\W的交界处，当然还有字符串开始结束和\w之间。 |
05 | \B 和\b对应，本身匹配空字符，但是其位置是在非"边界"情况下. |
06 | 比如r'py\B'可以匹配'python'，但不能匹配'py,','py.' 等等 |
09 | \s 未指定UNICODE和LOCALE标记时，等同于[ \t\n\r\f\v](注意\t之前是一个空格，表示也匹配空格) |
11 | \w 未指定UNICODE和LOCALE标记时，等同于[a-zA-Z0-9_] |
14 | 其他的一些python支持的转移符号也都有支持，如前面的'\t' |
字符集
[]
尤其注意，这个字符集最终 只匹配一个字符（既不是空，也不是一个以上!）,所以前面的一些量词限定符，在这里失去了原有的意义。
另外，'-'符号放在两个字符之间的时候，表示ASCII字符之间的所有字符，如[0-9]，表示0到9.
而放在字符集开头或者结尾，或者被'\'转义时候，则只是表示特指'-'这个符号
最后，当在开头的地方使用'^',表示排除型字符组.
括号的相关内容
普通型括号
1 | (...) 普通捕获型括号，可以被\number引用。 |
扩展型括号
09 | re_lx = re.compile(r'(?iS)\d+$') |
10 | re_lx = re.compile(r'\d+',re.I|re.S) |
10 | (?(id/name)yes-pattern|no-pattern) |
匹配优先/忽略优先符号
在量词限定符中，默认的情况都是匹配优先，也就是说，在符合条件的情况下，正则引擎会尽量匹配多的字符（
贪婪规则）
当在这些符号后面加上'?'，则正则引擎会成为忽略优先，此时的正则引擎会匹配
尽可能少的字符。
如'??'会先匹配没有的情况，然后才是1个对象的情况。而{m,n}?则是优先匹配m个对象，而不是占多的n个对象。
相关进阶知识
python属于perl风格，属于传统型NFA引擎，与此相对的是POSIX NFA和DFA等引擎。所以大部分讨论都针对传统型NFA
传统型NFA中的顺序问题
NFA是基于表达式主导的引擎，同时，传统型NFA引擎会在找到第一个符合匹配的情况下立即停止：即得到匹配之后就停止引擎。
而POSIX NFA 中不会立刻停止，会在所有可能匹配的结果中寻求最长结果。这也是有些bug在传统型NFA中不会出现，但是放到后者中，会暴露出来。
引申一点，NFA学名为”非确定型有穷自动机“，DFA学名为”确定型有穷自动机“
这里的非确定和确定均是对被匹配的目标文本中的字符来说的，在NFA中，每个字符在一次匹配中即使被检测通过，也不能确定他是否真正通过，因为NFA中会出现回溯！甚至不止一两次。图例见后面例子。而在DFA中，由于是目标文本主导，所有对象字符只检测一遍，到文本结束后，过就是过，不过就不过。这也就是”确定“这个说法的原因。
回溯/备用状态
备用状态
当出现可选分支时，会将其他的选项存储起来，作为备用状态。当前的匹配失败时，引擎进行回溯，则会回到最近的备用状态。
匹配的情况中，匹配优先与忽略优先某种意义上是一致的，只是顺序上有所区别。当存在多个匹配时，两种方式进行的情况很可能是不同的，但是当不存在匹配时，他们俩的情况是一致的，即必然尝试了所有的可能。
回溯机制两个要点
- 在正则引擎选择进行尝试还是跳过尝试时，匹配优先量词和忽略优先量词会控制其行为。
- 匹配失败时，回溯需要返回到上一个备用状态，原则是后进先出（后生成的状态首先被回溯到）
回溯典型举例：
上图可以看到，传统型NFA到D点即匹配结束。而在阴影中POSIX NFA的匹配流程，需要找到所有结果，
并在这些结果中取最长的结果返回。
作为对比说明，下面是目标文本不能匹配时，引擎走过的路径：
如下图，我们看到此时POSIX NFA和传统型NFA的匹配路径是一致的。
以上的例子引发了一个匹配时的思考，很多时候我们应该尽量避免使用'.*' ,因为其总是可以匹配到最末或者行尾，浪费资源。
既然我们只寻求引号之间的数据，往往可以借助排除型数组来完成工作。
此例中，使用'[^'']*'这个来代替'.*'的作用显而易见，我们只匹配非引号的内容，那么遇到第一个引号即可退出*号控制权。
固化分组思想
固化分组的思想很重要，
但是python中并不支持。使用(?>...)括号中的匹配时如果产生了备选状态，那么一旦离开括号便会被立即
引擎抛弃掉（从而无法回溯！）。举个典型的例子如：
这个表达式在进行匹配时的流程是这样的，会优先去匹配所有的符合\w的字符，假如字符串的末尾没有':'，即匹配没有找到冒号，此时触发回溯机制，他会迫使前面的\w+释放字符，并且在交还的字符中重新尝试与':'作比对。
但是问题出现在这里: \w是不包含冒号的，显然无论如何都不会匹配成功，可是依照回溯机制，引擎还是得硬着头皮往前找，这就是对资源的浪费。
所以我们就需要避免这种回溯，对此的方法就是将前面匹配到的内容固化，不令其存储备用状态！，那么引擎就会因为没有备用状态可用而只得结束匹配过程。大大减少回溯的次数！
Python模拟固化过程
虽然python中不支持，但书中提供了利用前向断言来模拟固化过程。
本身，
断言表达式中的结果是不会保存备用状态的，而且他也不匹配具体字符，但是通过巧妙的
添加一个捕获型括号来反向引用这个结果，就达到了固化分组的效果！对应上面的例子则是：
多选结构
多选结构在传统型NFA中， 既不是匹配优先也不是忽略优先。而是按照顺序进行的。所以有如下的利用方式
- 在结果保证正确的情况下，应该优先的去匹配更可能出现的结果。将可能性大的分支尽可能放在靠前。
- 不能滥用多选结构，因为当匹配到多选结构时，缓存会记录下相应数目的备用状态。举例子：[abcdef]和‘a|b|c|d|e|f’这两个表达式，虽然都能完成你的某个目的，但是尽量选择字符型数组，因为后者会在每次比较时建立6个备用状态，浪费资源。
一些优化的理念和技巧
平衡法则
好的正则表达式需寻求如下平衡：
- 只匹配期望的文本，排除不期望的文本。(善于使用非捕获型括号，节省资源)
- 必须易于控制和理解。避免写成天书。。
- 使用NFA引擎，必须要保证效率（如果能够匹配，必须很快地返回匹配结果，如果不能匹配，应该在尽可能短的时间内报告匹配失败。）
处理不期望的匹配
在处理过程中，我们总是习惯于使用星号等非硬性规定的量词（其实是个不好的习惯），
这样的结果可能导致我们使用的匹配表达式中没有必须匹配的字符，例子如下：
上面的式子就是这种情况，在目标文本是“理想”时，可能出现不了什么问题，但是如果本身数据有问题。那么这个式子的匹配结果就完全不可预知。
原因就在于他没有一部分是必须的！它匹配任何内容都是成功的。。。
对数据的了解和假设
其实在处理很多数据的时候，我们的操作数据情况都是不一样的，
有时会很规整，那么我们可以省掉考虑复杂表达式的情况，
但是反过来，当来源很杂乱的时候，就需要思考多一些，对各种可能的情形做相应的处理。
引擎中一般存在的优化项
编译缓存
反复使用编译对象时，应该在使用前，使用re.compile()方法来进行编译，这样在后面调用时不必每次重新编译。节省时间。尤其是在循环体中反复调用正则匹配时。
锚点优化
配合一些引擎的优化，应尽量将锚点单独凸显出来。对比^a|^b，其效率便不如^(a|b)
同样的道理，系统也会处理行尾锚点优化。所以在写相关正则时，如果有可能的话，将锚点使用出来。
量词优化
引擎中的优化，会对如.* 这样的量词进行统一对待，而不是按照传统的回溯规则，所以，从理论上说'(?:.)*' 和'.*'是等价的，不过具体到引擎实现的时候，则会对'.*'进行优化。速度就产生了差异。
消除不必要括号以及字符组
这个在python中是否有
未知。只是在支持的引擎中，会对如[.]中转化成\.，因为显然后者的效率更高（字符组处理引起额外开销）
以上是一些引擎带的优化，自然实际上是我们无法控制的的，不过了解一些后，对我们后面的一些处理和使用有很大帮助。
其他技巧和补充内容
过度回溯问题
消除指数级匹配
形如下面：
这种情况的表达式，在匹配长文本的时候会遇到什么问题呢，如果在文本匹配失败时（别忘了，如果失败，则说明已经回溯了
所有的可能），想象一下，*号退一个状态，里面的+号就包括其余的
所有状态，验证都失败后，回到外面，*号
退到倒数第二个备用状态，再进到括号内，+号又要回溯一边比上一轮差1的
备用状态数，当字符串很长时，
就会出现指数级的回溯总数。系统就会'卡死'。甚至当有匹配时，这个匹配藏在回溯总数的中间时，也是会造成卡死的情况。所以，使用NFA的引擎时，必须要注意这个问题！
我们采用如下思路去避免这个问题：
占有优先量词（python中使用前向断言加反向引用模拟）
道理很简单，既然庞大的回溯数量都是被储存的备用状态导致的，那么我们直接使引擎放弃这些状态。说到底是摆脱(regex*)* 这种形式。
2 | re_lx = re.compile(r'(?=(\w+))\1*\d') |
效率测试代码
在测试表达式的效率时，可借助以下代码比较所需时间。在两个可能的结果中择期优者。
03 | re_lx1 = re.compile(r'your_re_1') |
04 | re_lx2 = re.compile(r'your_re_2') |
06 | starttime = time.time() |
08 | for i in range(repeat_time): |
10 | result = re_lx1.search(s) |
11 | time1 = time.time()-starttime |
14 | starttime = time.time() |
15 | for i in range(repeat_time): |
17 | result = re_lx2.search(s) |
18 | time2 = time.time()-starttime |
量词等价转换
现在来看看大括号量词的效率问题
1，当大括号修饰的对象是类似于字符数组或者\d这种
非确定性字符时，使用大括号效率高于重复叠加对象。即：
\d{5}优于\d\d\d\d\d
经测试在python中后者优于前者。会快很多.
2，但是当重复的字符时确定的某一个字符时，则简单的重复叠加对象的效率会高一些。这是因为引擎会对单纯的字符串内部优化（虽然我们不知道具体优化是如何做到的）
aaaaa 优于a{5}
总体上说'\d' 肯定是慢于'1'
我使用的python3中的re模块，经测试，不使用量词会快。
综上，python中总体上使用量词不如简单的列出来！（与书中不同！）
锚点优化的利用
下面这个例子假设出现匹配的内容在字符串对象的结尾，那么下面的第一个表达式是快于第二个表达式的，原因在于前者有锚点的优势。
1 | re_lx1 = re.compile(r'\d{5}$') |
2 | re_lx2 = re.compile(r'\d{5}') |
排除型数组的利用
继续，假设我们要匹配一段字符串中的5位数字，会有如下两个表达式供选择：
经过分析，我们发现\w是包含\d的，当使用匹配优先时，前面的\w会包含数字，之所以能匹配成功，或者确定失败，是后面的\d迫使前面的量词交还一些字符。
知道这一点，我们应该尽量避免回溯，一个顺其自然的想法就是不让前面的匹配优先量词涉及到\d
1 | re_lx1 = re.compile(r'^\w+(\d{5})') |
2 | re_lx2 = re.compile(r'^[^\d]+\d{5}') |
总体来说，在我们没有时间去深入研究模块代码的时候，只能通过尝试和反复修改来得到最终的复合预期的表达式。
常识优化措施
然而我们利用可能的提升效果去尝试修改的时候很有可能
适得其反
，
因为某些我们看来缓慢的回溯在正则引擎内部会进行一定的优化
，
“取巧”的修改又可能会关闭或者避开了这些优化，所以结果也许会令我们很失望。
以下是书中提到的一些
常识性优化措施：
2 | 使用非捕获型括号（节省捕获时间和回溯时状态的数量） |
5 | 提取文本和锚点。将他们从可能的多选分支结构中提取出来，会提取速度。 |
一个很好用的核心公式
’opening normal*(special normal*)* closing‘
这个公式
特别用来对于匹配在两个特殊分界部分（可能不是一个字符）内的normal文本，special则是处理当分界部分也许和normal部分混乱的情况。
有如下的三点避免这个公式无休止匹配的发生。
- special部分和normal部分匹配的开头不能重合。一定保证这两部分在任何情况下不能匹配相同的内容，不然在无法出现匹配时遍历所有情况，此时引擎的路径就不能确定。
- normal部分必须匹配至少一个字符
- special部分必须是固定长度的
776
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
