從頭開始，搭建一個正則表達式引擎（一）總體構架、預處理

大概和我不以程序員爲職業有關吧，我本人是比較喜歡算法的那種，固然是比不了科班出身的。

好比我就寫過不少版本的算術表達式解析器，優先級堆棧的；二叉樹的；分治策略的；修正計算順序的……

正則表達式兩個我也寫過兩個，一個採用的回溯算法，另外一個則是二叉樹版本的，雖然這倆卻是都能用吧，可是對分組的處理（分組是採用遞歸調用的方法實現的，至關於另外一個正則表達式）實在是不太好，這個缺點致使不少時候搜索的結果會遺漏不少，而二叉樹版本的還有個缺點是選擇操做「|」只能得到第一個匹配…………

就效果看，這倆都是殘次品。

後來，我在vczh的博客裏看到了他的一個科普貼子，在那裏面，我才瞭解到還有有限自動機這種方法。

以後我花了很多時間去思考，由於總以爲這個方法太麻煩了，斷斷續續有2-3個月吧，想來想去也沒想出什麼更好的法子，最後仍是以爲只有用有限自動機才合適。

不過多少我仍是作了些修改的，倒不是爲了效率，是爲了減小打字量……

主要修改以下：

（1）不每一個字符轉移一次狀態，而是儘量的把連續的字符做爲一個總體進行比對。

（2）不弄什麼字母分組表，數據結構就使用指針鏈表，節省工做量

（3）「{a,b}」這種有次數限定的重複，vczh是採用複製節點實現的，我採用增長狀態邊來解決（效率會降低）

（4）分組命名，向前向後預查這些花哨而實用的功能，俺就丟了

那麼，總體上看，正則表達式引擎的設計我就劃分爲以下幾個步驟：

1）對規則字符串作預處理，主要是換行這類要使用轉義符的字符，這個預處理能夠把這些字符還原

2）將規則字符串進行劃分，修正成操做符、操做數的列表形式

3）對這個列表進行處理，得到NFA狀態轉移圖

4）將NFA狀態轉移圖裏的ε邊消去，減小狀態轉移數

5）利用獲得的狀態轉移圖，對字符串進行匹配

第一步很容易解決，無非就是找到'\'，而後將後跟't'、'n'、'r'等字符的修正爲相應的製表、換行……

第二步也相對簡單，無非是識別幾個操做符:

'*'、'+'、'?'、'*?'、'+?'、'??'、'('、'(:'、')'、'|'、'['、']'、'{'、'}'

比較特殊的是：

由於把連續的字符看作一個總體，因此在後跟重複或者可選運算符時，要檢查一下是否須要斷開字符串；

'['後面要一直讀取到前面不是'\'的']'，期間不做分析，結果做爲一個總體

'{'後面有'{a}'、'{a,}'、'{,a}'、'{a,b}'這幾種形式，一樣是讀取爲一個總體

還有一個隱藏的操做符，它的做用是將兩個操做數鏈接起來，相似算術裏的「*」，關於它另有介紹[*]

如此一來，列表裏的成員記錄的內容就會有好幾種，python裏這不算啥，C++裏就麻煩一些，我採用的是struct和union來回嵌套+標誌字節的辦法來處理這個問題。

（若是使用正則表達式這一步很是輕鬆，但是若是用了就真成了笑話了）

第三步見下一帖

[*]被隱藏了的「鏈接」運算符，好比「ab[cd]」這個字符串，分析後的兩個元素「ab」和「[cd]」正是經過這個操做符鏈接的。這個隱藏運算符我是用後面的Operator類的一個補足函數來填充修復的，否則就得另外寫一個函數了。