正则表达式（四）——匹配原理

正则引擎分为两种：DFA（确定型有穷自动机）和NFA（非确定型有穷自动机）。两类引擎要顺利工作，都必须有一个正则式和一个文本串。DFA捏着文本串去比较正则式，看到一个子正则式，就把可能的匹配串全标注出来，然后再看正则式的下一个部分，根据新的匹配结果更新标注。而NFA是捏着正则式去比文本，吃掉一个字符，就把它跟正则式比较，匹配就记下来：“某年某月某日在某处匹配上了！”，然后接着往下匹配。一旦不匹配，就把刚吃的这个字符吐出来，一个个的吐，直到回到上一次匹配的地方。

一、两种正则引擎有两条普适规则：

1. 优先选择最左端（最靠开头）的匹配结果。
2. 标准的匹配量词*、+、?、{m,n}是匹配优先的。

规则1举例：如果用cat去匹配The drading belly indicates that your cat is too fat.

• indicates中的cat会优先被匹配到，而不会匹配cat单词。

规则2举例：用[0-9]+匹配字符串March19985

• 该字符串中的数字19985全部都会被匹配。

[0-9]+的意思是“匹配数字，且数字出现的次数至少为一次。其实匹配到March1时就已经算是匹配通过了，但是引擎还是继续匹配一直到数字结束，这就是"匹配优先"的意思。换句话说，这些匹配优先的元字符都有一个特点，就是尽可能多的匹配字符。

二、过度匹配优先

(.*)(.*)

由于匹配优先的规则，第二个括号是不会匹配到任何字符的。如果用perl的$2来取值，$2是取不到任何值的。

用^.*([0-9][0-9])去匹配字符串about24characters

整个匹配流程是：

• .*先将整个字符串都匹配到，匹配第一个[0-9]时要求.*释放一个字符’s’，但是字符’s’并不能让[0-9]匹配，所以还会继续释放，直到释放到字符’4’为止。
• 但是此时，第二个[0-9]还无法匹配，为了匹配整个正则表达式，表达式.*必须再释放一个字符，这次是’2’，由第一个[0-9]匹配，现在’4’能够由第二个[0-9]匹配。

三、表达式主导和文本主导

以to(nite|knight|night)匹配文本…tonight…的过程为例:

• 表达式主导：表达式的第一个部分是t，它会重复尝试，直到在字符串中找到t，之后就检查随后的o，如果能匹配就继续检查下面的元素。这个例子中，下面的元素是(nite|knight|night)，意思是nite或者knight或者night，引擎会依次尝试这三种可能。
• 文本主导：当引擎读入文本t时，记录匹配的位置是to(nite|knight|night)；接着读入o，匹配位置to(nite|knight|night)；读入n，匹配位置to(nite|knight|night)，两个位置，knight被淘汰出局；读到i时，就不会再尝试匹配knight了。

整个过程，控制权在表达式的元素之间转换，因此被称之为“表达式主导”。“表达式主导”的特点是每个子表达式都是独立的，不存在内在联系。“文本主导”被叫做文本主导是因为被扫描的字符串，控制了引擎的执行过程。
        NFA具有表达式主导的特性，引擎的匹配原理就非常重要。通过改变表达式的编写方式，会有不同的效果。NFA为创造性思维提供了丰富的施展空间。

四、回溯一些相关概念

• 回溯
• 匹配优先
• 忽略优先

以下分别进行解释：

1.回溯：NFA引擎会依次处理各个子表达式或组成元素，遇到需要再两个可能成功的可能中进行选择的时候，它会选择其一，同时记住另一个，以备稍后可能的需要。无论选择哪一种途径，如果它能匹配成功，而且正则表达式的余下部分也成功了，匹配即告完成。如果正则表达式余下部分最终匹配失败，引擎会知道需要回溯到之前做出选择的地方，选择其他的备用分支继续尝试。

• 如果在“进行尝试”和“跳过尝试”之间选择，对于匹配优先量词，引擎会优先选择“进行尝试”，而对于忽略优先量词，会选择“跳过尝试”。
• 引擎会把可能回溯的位置状态保存在备用状态序列里。我们需要了解回溯使用的是哪个之前保存的分支，答案是距离当前最近存储的选项就是本地失败强制回溯时返回的。使用的原则是LIFO（last in first out，后进先出）。

2.匹配优先：?是匹配优先的。以ab?c为例匹配ac为例。

• 当字符串abc中的a被匹配时，引擎匹配的位置是：a$\uparrow$b?c（此时备用状态序列中没有备用的位置）
• 此时轮到用正则中的b?去匹配字符，由于?是匹配优先的，此时引擎直接用正则中的b去匹配字符串中的c。同时将ab?$\uparrow$c存储到备用状态序列里。（此时备用状态序列中的备用位置是ab?$\uparrow$c）
• 用b?去匹配c，结果必然失败，然后引擎会返回状态序列中的备用位置ab?$\uparrow$c，然后从此位置开始(忽略了b)，用正则里面的c匹配字符串里面的c。匹配成功。
• 匹配成功后，引擎删除备用状态里面存储的全部备用位置。

3.忽略优先：??是忽略优先的。以ab??c为例匹配abc为例。

• 当字符串abc中的a被匹配时，引擎匹配的位置是：a$\uparrow$b??c（此时备用状态序列中没有备用的位置）
• a匹配完之后，轮到匹配b??了，由于??是忽略优先的，此时引擎匹配的位置变为ab??$\uparrow$c。但是会将a$\uparrow$b??c存储到备用状态序列里。（此时备用状态序列中的备用位置是a$\uparrow$b??c）
• 此时引擎会用正则的c去匹配字符串的b，匹配失败。
• 然后引擎会回到在备用状态中保存的a$\uparrow$b??c，尝试用正则中的b匹配字符串中的b。匹配成功。
• 直到字符串所有的字符都被匹配成功后，引擎会删除备用状态里面存储的全部备用位置。

4.补充：

• DFA不支持忽略优先。
• 正则x*相当于x?x?x?x?……，其中x?的数量正好是要匹配的字符串的长度。在每次测试星号作用的元素之前，如果测试失败，还能从保存的状态开始匹配，这个过程不断重复，直到包含星号的尝试完全失败为止。
• 如果用正则表达式[0-9]+来匹配字符串a1234num，[0-9]遇到4之后无法匹配，此时+能够回溯的位置有四个备用状态：a1$\uparrow$234num、a12$\uparrow$34num、a123$\uparrow$4num、a1234$\uparrow$num，也就是说，每个位置，[0-9]的尝试都代表一种可能。在[0-9]匹配失败时，引擎会回溯到最近保存的状态（满足后进先出）a1234$\uparrow$num，此时匹配结束。
• 前面提到的过度匹配优先的第二个例子^.*([0-9][0-9])，中提到，当匹配到第一个[0-9]时，释放字符的过程就是回溯的体现。
• 回溯就是引擎匹配失败后的退路。

五、固化分组

• 语法：(?>……)
• 意义：使用固化分组的正则匹配与正常的匹配并无差别，但是如果匹配能够进行到此结构之后（闭括号结束之后），那么此结构中的所有备用状态都会被抛弃（也可以理解为被锁定，成为不可用状态）。换句话说，在固化分组结束以时，他已经匹配的文本已经固化为一个单元，只能作为整体而保留或者放弃。括号内的子表达式中未尝试过的备用状态都不复存在了，所以回溯永远也不能选择其中的状态。