1       為什么要了解引擎匹配原理

一個(gè)個(gè)音符雜亂無(wú)章的組合在一起，彈奏出的或許就是噪音，同樣的音符經(jīng)過(guò)作曲家的手，就可以譜出非常動(dòng)聽的樂曲，一個(gè)演奏者同樣可以照著樂譜奏出動(dòng)聽的樂曲，但他/她或許不知道該如何去改變音符的組合，使得樂曲更動(dòng)聽。

作為正則的使用者也一樣，不懂正則引擎原理的情況下，同樣可以寫出滿足需求的正則，但是不知道原理，卻很難寫出高效且沒有隱患的正則。所以對(duì)于經(jīng)常使用正則，或是有興趣深入學(xué)習(xí)正則的人，還是有必要了解一下正則引擎的匹配原理的。

2       正則表達(dá)式引擎

正則引擎大體上可分為不同的兩類：DFA和NFA，而NFA又基本上可以分為傳統(tǒng)型NFA和POSIX NFA。

DFA Deterministic finite automaton 確定型有窮自動(dòng)機(jī)

NFA Non-deterministic finite automaton　非確定型有窮自動(dòng)機(jī)

Traditional NFA

POSIX NFA

DFA引擎因?yàn)椴恍枰厮?，所以匹配快速，但不支持捕獲組，所以也就不支持反向引用和$number這種引用方式，目前使用DFA引擎的語(yǔ)言和工具主要有awk、egrep 和 lex。

POSIX NFA主要指符合POSIX標(biāo)準(zhǔn)的NFA引擎，它的特點(diǎn)主要是提供longest-leftmost匹配，也就是在找到最左側(cè)最長(zhǎng)匹配之前，它將繼續(xù)回溯。同DFA一樣，非貪婪模式或者說(shuō)忽略優(yōu)先量詞對(duì)于POSIX NFA同樣是沒有意義的。

大多數(shù)語(yǔ)言和工具使用的是傳統(tǒng)型的NFA引擎，它有一些DFA不支持的特性：

　　捕獲組、反向引用和$number引用方式；

　　環(huán)視(Lookaround，(?=…)、(?!…)、(?=…)、(?!…))，或者有的有文章叫做預(yù)搜索；

　　忽略優(yōu)化量詞（??、*?、+?、{m,n}?、{m,}?），或者有的文章叫做非貪婪模式；

　　占有優(yōu)先量詞（?+、*+、++、{m,n}+、{m,}+，目前僅Java和PCRE支持），固化分組(?>…)。

引擎間的區(qū)別不是本文的重點(diǎn)，僅做簡(jiǎn)要的介紹，有興趣的可參考相關(guān)文獻(xiàn)。

3       預(yù)備知識(shí)

3.1     字符串組成

對(duì)于字符串“abc”而言，包括三個(gè)字符和四個(gè)位置。

3.2     占有字符和零寬度

正則表達(dá)式匹配過(guò)程中，如果子表達(dá)式匹配到的是字符內(nèi)容，而非位置，并被保存到最終的匹配結(jié)果中，那么就認(rèn)為這個(gè)子表達(dá)式是占有字符的；如果子表達(dá)式匹配的僅僅是位置，或者匹配的內(nèi)容并不保存到最終的匹配結(jié)果中，那么就認(rèn)為這個(gè)子表達(dá)式是零寬度的。

占有字符是互斥的，零寬度是非互斥的。也就是一個(gè)字符，同一時(shí)間只能由一個(gè)子表達(dá)式匹配，而一個(gè)位置，卻可以同時(shí)由多個(gè)零寬度的子表達(dá)式匹配。

3.3     控制權(quán)和傳動(dòng)

正則的匹配過(guò)程，通常情況下都是由一個(gè)子表達(dá)式（可能為一個(gè)普通字符、元字符或元字符序列組成）取得控制權(quán)，從字符串的某一位置開始嘗試匹配，一個(gè)子表達(dá)式開始嘗試匹配的位置，是從前一子表達(dá)匹配成功的結(jié)束位置開始的。如正則表達(dá)式：

(子表達(dá)式一)(子表達(dá)式二)

假設(shè)(子表達(dá)式一)為零寬度表達(dá)式，由于它匹配開始和結(jié)束的位置是同一個(gè)，如位置0，那么(子表達(dá)式二)是從位置0開始嘗試匹配的。

假設(shè)(子表達(dá)式一)為占有字符的表達(dá)式，由于它匹配開始和結(jié)束的位置不是同一個(gè)，如匹配成功開始于位置0，結(jié)束于位置2，那么(子表達(dá)式二)是從位置2開始嘗試匹配的。

而對(duì)于整個(gè)表達(dá)式來(lái)說(shuō)，通常是由字符串位置0開始嘗試匹配的。如果在位置0開始的嘗試，匹配到字符串某一位置時(shí)整個(gè)表達(dá)式匹配失敗，那么引擎會(huì)使正則向前傳動(dòng)，整個(gè)表達(dá)式從位置1開始重新嘗試匹配，依此類推，直到報(bào)告匹配成功或嘗試到最后一個(gè)位置后報(bào)告匹配失敗。

4       正則表達(dá)式簡(jiǎn)單匹本過(guò)程

4.1     基礎(chǔ)匹配過(guò)程

源字符串：abc

正則表達(dá)式：abc

匹配過(guò)程：

首先由字符“a”取得控制權(quán)，從位置0開始匹配，由“a”來(lái)匹配“a”，匹配成功，控制權(quán)交給字符“b”；由于“a”已被“a”匹配，所以“b”從位置1開始嘗試匹配，由“b”來(lái)匹配“b”，匹配成功，控制權(quán)交給“c”；由“c”來(lái)匹配“c”，匹配成功。

此時(shí)正則表達(dá)式匹配完成，報(bào)告匹配成功。匹配結(jié)果為“abc”，開始位置為0，結(jié)束位置為3。

4.2     含有匹配優(yōu)先量詞的匹配過(guò)程——匹配成功（一）

源字符串：abc

正則表達(dá)式：ab?c

量詞“?”屬于匹配優(yōu)先量詞，在可匹配可不匹配時(shí)，會(huì)先選擇嘗試匹配，只有這種選擇會(huì)使整個(gè)表達(dá)式無(wú)法匹配成功時(shí)，才會(huì)嘗試讓出匹配到的內(nèi)容。這里的量詞“?”是用來(lái)修飾字符“b”的，所以“b?”是一個(gè)整體。

匹配過(guò)程：

首先由字符“a”取得控制權(quán)，從位置0開始匹配，由“a”來(lái)匹配“a”，匹配成功，控制權(quán)交給字符“b?”；由于“?”是匹配優(yōu)先量詞，所以會(huì)先嘗試進(jìn)行匹配，由“b?”來(lái)匹配“b”，匹配成功，控制權(quán)交給“c”，同時(shí)記錄一個(gè)備選狀態(tài)；由“c”來(lái)匹配“c”，匹配成功。記錄的備選狀態(tài)丟棄。

此時(shí)正則表達(dá)式匹配完成，報(bào)告匹配成功。匹配結(jié)果為“abc”，開始位置為0，結(jié)束位置為3。

4.3     含有匹配優(yōu)先量詞的匹配過(guò)程——匹配成功（二）

源字符串：ac

正則表達(dá)式：ab?c

匹配過(guò)程：

首先由字符“a”取得控制權(quán)，從位置0開始匹配，由“a”來(lái)匹配“a”，匹配成功，控制權(quán)交給字符“b?”；先嘗試進(jìn)行匹配，由“b?”來(lái)匹配“c”，同時(shí)記錄一個(gè)備選狀態(tài)，匹配失敗，此時(shí)進(jìn)行回溯，找到備選狀態(tài)，“b?”忽略匹配，讓出控制權(quán)，把控制權(quán)交給“c”；由“c”來(lái)匹配“c”，匹配成功。

此時(shí)正則表達(dá)式匹配完成，報(bào)告匹配成功。匹配結(jié)果為“ac”，開始位置為0，結(jié)束位置為2。其中“b?”不匹配任何內(nèi)容。

4.4     含有匹配優(yōu)先量詞的匹配過(guò)程——匹配失敗

源字符串：abd

正則表達(dá)式：ab?c

匹配過(guò)程：

首先由字符“a”取得控制權(quán)，從位置0開始匹配，由“a”來(lái)匹配“a”，匹配成功，控制權(quán)交給字符“b?”；先嘗試進(jìn)行匹配，由“b?”來(lái)匹配“b”，同時(shí)記錄一個(gè)備選狀態(tài)，匹配成功，控制權(quán)交給“c”；由“c”來(lái)匹配“d”，匹配失敗，此時(shí)進(jìn)行回溯，找到記錄的備選狀態(tài)，“b?”忽略匹配，即“b?”不匹配“b”，讓出控制權(quán)，把控制權(quán)交給“c”；由“c”來(lái)匹配“b”，匹配失敗。此時(shí)第一輪匹配嘗試失敗。

正則引擎使正則向前傳動(dòng)，由位置1開始嘗試匹配，由“a”來(lái)匹配“b”，匹配失敗，沒有備選狀態(tài)，第二輪匹配嘗試失敗。

繼續(xù)向前傳動(dòng)，直到在位置3嘗試匹配失敗，匹配結(jié)束。此時(shí)報(bào)告整個(gè)表達(dá)式匹配失敗。

4.5     含有忽略優(yōu)先量詞的匹配過(guò)程——匹配成功

源字符串：abc

正則表達(dá)式：ab??c

量詞“??”屬于忽略優(yōu)先量詞，在可匹配可不匹配時(shí)，會(huì)先選擇不匹配，只有這種選擇會(huì)使整個(gè)表達(dá)式無(wú)法匹配成功時(shí)，才會(huì)嘗試進(jìn)行匹配。這里的量詞“??”是用來(lái)修飾字符“b”的，所以“b??”是一個(gè)整體。

匹配過(guò)程：

首先由字符“a”取得控制權(quán)，從位置0開始匹配，由“a”來(lái)匹配“a”，匹配成功，控制權(quán)交給字符“b??”；先嘗試忽略匹配，即“b??”不進(jìn)行匹配，同時(shí)記錄一個(gè)備選狀態(tài)，控制權(quán)交給“c”；由“c”來(lái)匹配“b”，匹配失敗，此時(shí)進(jìn)行回溯，找到記錄的備選狀態(tài)，“b??”嘗試匹配，即“b??”來(lái)匹配“b”，匹配成功，把控制權(quán)交給“c”；由“c”來(lái)匹配“c”，匹配成功。

此時(shí)正則表達(dá)式匹配完成，報(bào)告匹配成功。匹配結(jié)果為“abc”，開始位置為0，結(jié)束位置為3。其中“b??”匹配字符“b”。

4.6     零寬度匹配過(guò)程

源字符串：a12

正則表達(dá)式：^(?=[a-z])[a-z0-9]+$

元字符“^”和“$”匹配的只是位置，順序環(huán)視“(?=[a-z])”只進(jìn)行匹配，并不占有字符，也不將匹配的內(nèi)容保存到最終的匹配結(jié)果，所以都是零寬度的。

這個(gè)正則的意義就是匹配由字母和數(shù)字組成的，第一個(gè)字符是字母的字符串。

匹配過(guò)程：

首先由元字符“^”取得控制權(quán)，從位置0開始匹配，“^”匹配的就是開始位置“位置0”，匹配成功，控制權(quán)交給順序環(huán)視“(?=[a-z])”；

“(?=[a-z])”要求它所在位置右側(cè)必須是字母才能匹配成功，零寬度的子表達(dá)式之間是不互斥的，即同一個(gè)位置可以同時(shí)由多個(gè)零寬度子表達(dá)式匹配，所以它也是從位置0嘗試進(jìn)行匹配，位置0的右側(cè)是字符“a”，符合要求，匹配成功，控制權(quán)交給“[a-z0-9]+”；

因?yàn)椤?STRONG>(?=[a-z])”只進(jìn)行匹配，并不將匹配到的內(nèi)容保存到最后結(jié)果，并且“(?=[a-z])”匹配成功的位置是位置0，所以“[a-z0-9]+”也是從位置0開始嘗試匹配的，“[a-z0-9]+”首先嘗試匹配“a”，匹配成功，繼續(xù)嘗試匹配，可以成功匹配接下來(lái)的“1”和“2”，此時(shí)已經(jīng)匹配到位置3，位置3的右側(cè)已沒有字符，這時(shí)會(huì)把控制權(quán)交給“$”；

元字符“$”從位置3開始嘗試匹配，它匹配的是結(jié)束位置，也就是“位置3”，匹配成功。

此時(shí)正則表達(dá)式匹配完成，報(bào)告匹配成功。匹配結(jié)果為“a12”，開始位置為0，結(jié)束位置為3。其中“^”匹配位置0，“(?=[a-z])”匹配位置0，“[a-z0-9]+”匹配字符串“a12”，“$”匹配位置3。