1-正则表达式
正则表达式使用一些特定的元字符来检索、匹配以及替换符合规则的字符串。构造正则表达式语法的元字符,由普通字符、标准字符、限定字符(量词)、定位字符(边界字符)组成。
![](https://img-blog.csdnimg.cn/img_convert/303cb19fcfbcb19141e86b696f57170a.png)
2-正则表达式引擎
目前实现正则表达式引擎的方式有两种:DFA自动机(Deterministic Final Automata 确定有限状态自动机)和NFA自动机(Non deterministic Finite Automaton 非确定有限状态自动机)。
NFA自动机的优势是支持更多功能。例如,捕获group、环视、占有优先量词等高级功能。这些功能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实现的。
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。大量的回溯会长时间地占用CPU,从而带来系统性能开销。
2.1-回溯问题
比如如下例子:
text="abbc",regex="ab{1,3}c"
首先,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。
然后,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。但因为 b{1,3} 表示1-3个b字符串,NFA自动机又具有贪婪特性,所以此时不会继续读取正则表达式的下一个匹配符,而是依旧使用 b{1,3} 和字符串的第三个字符b进行比较,结果还是匹配。
接着继续使用b{1,3} 和字符串的第四个字符c进行比较,发现不匹配了,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。
那么发生回溯以后,匹配过程怎么继续呢?程序会读取正则表达式的下一个匹配符c,和字符串中的第四个字符c进行比较,结果匹配,结束。
![](https://img-blog.csdnimg.cn/img_convert/340e43adf6605386057208aa1f337744.png)
2.2-三种模式
2.2.1-贪婪模式(Greedy)
在数量匹配中,如果单独使用+、 ? 、* 或{min,max} 等量词,正则表达式会匹配尽可能多的内容。
text=“abbc”
regex=“ab{1,3}c”
2.2.2-懒惰模式(Reluctant)
正则表达式会尽可能少地重复匹配字符。如果匹配成功,它会继续匹配剩余的字符串。
字符后面加一个“?”,就可以开启懒惰模式。
text=“abc”
regex=“ab{1,3}?c”
2.2.3-独占模式(Possessive)
独占模式一样会最大限度地匹配更多内容;不同的是,在独占模式下,匹配失败就会结束匹配,不会发生回溯问题。
在字符后面加一个“+”,就可以开启独占模式。
text=“abbc”
regex=“ab{1,3}+c”
避免回溯的方法就是:使用懒惰模式和独占模式。
3-正则表达式的优化
少用贪婪模式,多用独占模式;
减少分支选择;
减少捕获嵌套