正则学习（二）- 简单匹配原理

程序员文章站 2023-12-30 12:07:28

...

正则学习（2）--- 简单匹配原理

　　写写对简单的匹配原理的理解，还是以php为主。

　　首先，正则引擎主要可分为两大类：DFA和NFA，反正引擎见多了就不奇怪了，简单理解就是不同的匹配方式，就好比在数组中查找数据时，有的是从头开始顺序，查找，有的从中间开始查找，所用的方式不同。相对来说NFA有更长的历史，使用NFA的工具或者语言更多，但也有两个引擎混合使用的。某书上举的例子非常贴切：NFA好比汽油机，DFA好比电动机，它们都能使汽车运行但有使用不同的机理。由于NFA和DFA都发展了很多年，所以又出台了一个被称为POSIX的标准，它规定作为一个正则引擎应该支持的元字符和特性，以及最终用户想要得到的准确结果。

　　NFA，以（正则）表达式为主导进行匹配，DFA则以待匹配的字符串为主导进行匹配。php使用的是传统型的NFA引擎，当然了Perl也是。无论哪种引擎，有两个通用的原则：1. 优先匹配最靠左端的结果；2. 标准量词（+、?、*、{m,n}）均是匹配优先的。

　　现有表达式如下，要匹配字符串'tonight'

    '/to(nite|knite|night)/'

　　NFA：以表达式为主导，从表达式的第一部分开始，同时检查当前文本是否匹配，如果是，继续到表达式的下一部分，直到表达式全部都能匹配，整个匹配成功。表达式的第一个字符时t，它将在字符串中按顺序从左到右反复查找，直到找到一个t字符，如果找不到就宣告失败，如果找到，表达式下一个字符时o，继续在待匹配字符串中查找，开头两个都能匹配上，进入到由括号分组的一个选择分支中，匹配nite、knite或者night，它依次尝试这种三种可能。第一个分支尝试到nig时失败，第二个分支尝试到表达式中第一个n时失败，第三个分支恰好完全匹配。以正则表达主导的引擎，就必须检查完表达式才能得出最终结论。

　　DFA：与NFA不同，DFA在扫描字符串时，会记录当前有效的所有匹配可能，从最开始的t，它会在当前的匹配可能中添加一种可能，如果存在的话，一直扫描到字符串中的n时，它会记录两种可能，nite和night两处的n（它是从待匹配的字符串角度看表达式），继续扫描到i还是nite和night两种可能，接着到g只剩下night一种可能了，当h和t匹配完成后，引擎发现扫描字符串已扫描结束，报告成功（貌似有点深度与广度的意味）。

　　所以，一般情况下文本主导的DFA引擎要更快一些，表达式主导的NFA必须检测完所有的模式，在没有抵达模式结束之前，不知道匹配的成功与否，即使前面某个表达式匹配成功了，说不定后面继续要对它检测一下，这可能会浪费很多时间。而DFA以字符串为主导，到一个地方顶多记录几种可能性，目标文本中的字符最多只会检测一次。

　　但是多选分支的顺序，对于不同目标字符串的影响也很大，恰好符合的分支在前面，当然能更快找到。

　　由于NFA以表达式为主，表达式书写的不同会产生很大的影响，也能让我们更加灵活的控制它，也具有更多的可变性。这其中，对于NFA来说（本来也是以php为主），有一个重要的特性：回溯---遇到需要从两个可能成功的匹配中选择时，先选择一种，并记住另外一种，以作稍后可能的需要，这种情形主要出现在标准量词和多选分支（|）。

　　盗图一张：正则学习（二）- 简单匹配原理

　　从表达式（'/".*"!/'）出发，首先找到双引号A处，接着由于是点号匹配任意字符（默认不包括换行符，这儿不用考虑），再加上元字符*表示可以匹配多个，由于标准量词的匹配优先机理，它一下子来到了字符串的结尾B处，因为在这之间*可以是0个、1个或多个，也就是说，这几种形式都是有可能匹配成功的，因此，引擎会记住这两种状态，即在一个位置可能匹配，也可以不匹配它，只要是*元字符经过的地方，从M到结尾都会记录。

　　等到结尾发现没有"，于是回溯，需要说明，引擎总是回溯到最近记录的状态（类似栈），一个个往前回溯，直到遇到一个双引号的地方（C），然后匹配匹配到双引号后面（D），发现不是感叹号!，失败，再次回溯（状态记录不为空），到E处又找到了一个双引号，与刚才情况相同，继续匹配（F）发现没有感叹号，失败，继续回溯到G，同样由于后边（H）不是感叹号，仍需要回溯，到I，这时记录的状态已经没有了，也无法继续回溯了，第一轮匹配失败告终，但还没完，引擎的传动装置继续从A处双引号的下一个位置开始继续寻找第一个符合条件的双引号，到J，然后类似上一轮的过程继续上演。最终也没找到 "..."! 这样的字符串，过程却很曲折。

　　从上面的例子可以看出：一是 .* 这种形式的效率非常低，尤其在失败的时候（当然平常我们那几行代码几乎忽略不计），而且很容易出错，比如用 /".*/" 匹配一对双引号包围的字符串来匹配 ab"cde"fgh""ijk"lmn，最终的结果是"cde"fgh""ijk"，最开始的双引号和最末尾的双引号中间的全部内容；二是如果有类似 ((...)*)*、((...)+)*之类的，外面里面同时记录不定状态的，回溯次数呈指数级上升，甚至形成死循环，更加耗时。当然对于改进状态的引擎提前检测这种状况，并报告错误，如同浏览器在自己跳转自己的页面那样报错。

　　因此在用到量词时，比如+，它可以匹配一个到多个，大于一个时，不是必须的，有两种选择状态，可以有也可以没有，这两种状态就是日后可能会在回溯中用到的状态，称为备用状态，?也是如此。

　　对于匹配双引号及之间的字符，中间不包括转义后的双引号的情况，我们可以使用忽略优先，'/".*?"/' ，忽略优先按量词的最小限度匹配， *最小是没有，相当于先检测空串，没有先匹配一个字符马上检测双引号，这在一定只要检测到右边有一个双引号匹配即成功结束，它匹配上图中的 "McDonald's"也省去了很多回溯。

　　当然，对于这种需要检测两个字符间的其他字符，还有一种办法，如 '/"[^"]"/'，排除型字符组，它也达到了相同的需求，但情况不总是这样。

　　比如，匹配与之间的字符，使用 '/[^]*/' ？注意字符组一次只能匹配一个字符，这里是匹配在和之间的，非的任意一个字符，字符组不能把里边的字符当一个整体，对于整体、多个字符的检测，可以选择环视。环视与位置相关，生来就是限定周围的字符，一个或多个均可。这里需要否定型环视，因为我们需要的不能是的字符，为了好看中间隔开。

    '/(   (?!) . )*/'   // 否定型环视

　　但是上面仍能匹配"abcdef"，所以还要在其之间排除，中间环视检测?b>，/可以有或没有都行

    '/ ( (?! ) . )* /'

　　上一篇写到了“交还”，在回溯过程中就伴随着交还，如上面的'/".*"!/'，因发现双引号后面不是感叹号，而不得不回溯，此时选择另一种备用状态---不匹配刚才匹配到的字符，进行回退，是一个明显的交还。例子：

$pattern_1 = '/(\w+)(\d?)/'; $pattern_2 = '/(\w+)(\d+)/'; $pattern_3 = '/(\w+)(\d*)/'; $subject = 'abc12345'; preg_match($pattern_1, $subject, $match_1); preg_match($pattern_2, $subject, $match_2); preg_match($pattern_3, $subject, $match_3); echo 'match=>

';    var_dump($match_1, $match_2, $match_3);

　　使用捕获型括号，分组，引擎记住两个括号中匹配的文本。结果如下：

　　　　正则学习（二）- 简单匹配原理

　　从上到下依次为$match_1、$match_2、$match_3，由于\w与\d有公共部分，而且两个量词都是匹配优先，从结果来看，前一个+量词匹配得最多（键值为1的项），pattern_1中，\d?没有匹配，pattern_2中，\d+只匹配了一个，pattern_3中，\d*没有匹配，而它们讷的过程都类似于，先让\w+匹配到末尾，然后引擎看剩余的模式，\d?可有可无，那就无，因为无正则匹配也是成功，不交还。\d+必须匹配一个，否则将导致匹配失败，这里它会交还一个，因为它必须服从使得全局匹配的成功。对于\d*也是如此，可以不匹配，不交还。

　　假如这里的pattern是'/(\w+)(\d\d)/'，那么它就必须交还两个数字，如果没有交还或是带匹配字符串中没有，就只能报告失败。所以有两个规律：

　　1. 先来先服务原则，匹配优先的量词在前，先尽量满足自己；

　　2. 必须服从全局匹配结果，有造成失败的可能，引擎会强迫匹配优先量词交还，否则整个匹配失败。

　　如果不交还呢？就会提前报告失败。必须谈到占有优先量词和固化分组，以+为例形式是 \w++、 (?>\w+)

    $pattern = '/\w+:/';    $subject = 'abcdefghijk';

　　如例，我们人当然能一眼看出来，字符串结尾没有冒号肯定失败，但是程序不会这样，它会一轮又一轮的匹配-回溯，因为它记住了一些可选择性的状态，但现在我们已经明确知道了这些状态是没用的，回溯也是白费力气，回溯前就已经失败了。所以可以 \w++: 或者 (?>\w+): ，有了占有优先或者固化分组，这些可选择性的状态都会被抛弃，\w+一直匹配到字符串结尾，单词没了，然后检测冒号存不存在，冒号不存在，但是现在有没有可供回溯的状态，立即报告失败，如果是几十万行的文本会节省很多时间。

　　需要注意的是，固话分组或是占有优先对嵌套在里面的量词也是有作用的，这点跟?:只分组不捕获不同

    (?>   (\d+)+  )    // 里面的\d+的状态也会被抛弃    (?: abc (\d\d) )   // 外层的括号不会被捕获，但里面的括号不受影响，\1仍记录着数字字符

　　最后记录下选择分支的一个坑，例

    $pattern = '/cat/';    $subject = 'indicate big cat';

　　cat当然会匹配indicate中间的cat，因为它在前面。再看这个

    $pattern = 'fat|cat|belly|your';    $subject = 'The dragging belly indicates that your cat is too fat';

　　NFA以表达式为主导，从表达式的角度看字符串，因此先检测到的是fat，结果是fat吗？结果仍是cat！所以NFA的引擎始终优先匹配选择分支选择最左端的匹配结果，哪怕它位于选择分支的后边。

　　这也说明，NFA引擎的正则，只要表达式中还存在可能的多选分支，正则引擎会回溯到存在尚未尝试的多选分支的地方，这个过程不断重复，直到完成全局匹配，如果不是这样，上例中fat先匹配成功就已经作为结果返回了。多选状态不是匹配优先，也不是忽略优先，但是尝试是从左到右。而对于DFA和某些POSIX NFA，匹配的不是最靠字符串左端的文本，而是选择分支中最长的分支。

　　正则的细节太多，扯不清楚，还是得看书理解，尤其是对于正则的调校，以及某些常用的判断技巧，比如匹配" "包围的字符串，中间可以有\"和其他转义序列，还是很麻烦的，推荐《精通正则表达式》，中文翻译挺棒，读起来也不生硬，而且还有很多技巧性的东西，比如“消除循环”是一大利器。end