正則表達式多選結構的順序

正則表達式多選結構的順序

先看一道編程題

從一段只包含[.,0-9]字符的字符串中提取出所有可能的IPv4地址。

IPv4地址由十進制數和點來表示，每一個地址包含4個十進制數，其範圍爲0-255,好比172.16.254.1；同時，4個十進制數不會以0開頭，好比172.16.254.01是不合法的。

現輸入一段文本str="1.1.1111.16..172.16.254.1.1"，要求用程序答出該字符串全部子串可能造成的IPv4地址。

不少人會想到，IPv4的正則表達式我可熟悉啦，確定能快速完成！因而從網上搜索到IPv4的正則表達式，寫出瞭如下代碼：

// Java語言
import java.util.*;
import java.util.regex.*;

class Solution {
    private static final Pattern IPV4_PATTERN =
            Pattern.compile("((([1-9][0-9]?)|(1[0-9]{2})|(2[0-4]\\d)|(25[0-5])|0)\\.){3}" +
                    "(([1-9][0-9]?)|(1[0-9]{2})|(2[0-4]\\d)|(25[0-5])|0)");

    public Set<String> findAllIpv4(String input) {
        Set<String> s = new TreeSet<String>();
        Matcher m = IPV4_PATTERN.matcher(input);
        int from = 0;
        while (m.find(from)) {
            s.add(input.substring(m.start(), m.end()));
            from++;
        }
        return s;
    }
}

咱們看完這一段代碼，能夠肯定的是：1. 正則表達式沒問題，正確的IPV4地址能夠用它來驗證；2. Java Regex API用法也沒有太大問題，基本符合預期。

輸入：0.0.0.255
輸出：[0.0.0.25]

但這段代碼的結果是不正確的，正確輸出是[0.0.0.2, 0.0.0.25, 0.0.0.255]，緣由就出在正則中多選結構|的用法上。

多選結構（Alternation）

多選結構在不一樣的正則引擎中，工做原理是大相徑庭的。在傳統型NFA引擎中，會按照從左到右的順序檢查表達式中的多選分支，一旦能夠匹配完成，其餘的多選分支就不會嘗試了。¹

以上節的正則表達式爲例，咱們單獨摘出每一個十進制數的表達式(([1-9][0-9]?)|(1[0-9]{2})|(2[0-4]\\d)|(25[0-5])|0)，它會以以下順序進行匹配：

1. ([1-9][0-9]?)      # 一位數或兩位數
2. (1[0-9]{2})        # 位於區間[100-199]的三位數
3. (2[0-4]\\d)        # 位於區間[200-249]的三位數
4. (25[0-5])          # 位於區間[250-255]的三位數
5. 0                  # 0

那麼在針對輸入字符串0.0.0.255的匹配過程當中，在進行第四個十進制數255的匹配時，會優先計算表達式([1-9][0-9]?)，這樣能夠匹配到25和2，而?(question mark)在正則中是一個貪婪量詞²，所以僅會留下25，因此最終咱們看到了運行結果是[0.0.0.25]。

以這些知識爲前提，咱們能夠經過優先匹配多位數字，手工解析少許數字的方式獲得正確的解答程序，這樣作的話，正則表達式須要作一些調整，將多位數匹配的多選分支放在前面，即(25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]\\d|\\d)，代碼以下：

// Java語言
import java.util.*;
import java.util.regex.*;

class Solution {
    private static final Pattern IPV4_PATTERN =
            Pattern.compile("((25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]\\d|\\d)\\.){3}" +
                    "(25[0-5]|2[0-4]\\d|1\\d{2}|[1-9]\\d|\\d)");

    public Set<String> findAllIpv4(String input) {
        Set<String> s = new TreeSet<String>();
        Matcher m = IPV4_PATTERN.matcher(input);
        int from = 0;
        int lastDotIdx = 0;
        String sub = null;
        while (m.find(from)) {
            sub = input.substring(m.start(), m.end());
            s.add(sub);
            lastDotIdx = sub.lastIndexOf('.');
            if (lastDotIdx == sub.length() - 3) {
                s.add(sub.substring(0, sub.length() - 1));
            } else if (lastDotIdx == sub.length() - 4) {
                s.add(sub.substring(0, sub.length() - 1));
                s.add(sub.substring(0, sub.length() - 2));
            }
            from++;
        }
        return s;
    }
}

---

1. Friedl, J. E. (2006). Mastering regular expressions. " O'Reilly Media, Inc.", p174-p175.↩

2. Friedl, J. E. (2006). Mastering regular expressions. " O'Reilly Media, Inc.", p142.↩