正則學習（2）--- 簡單匹配原理

　　寫寫對簡單的匹配原理的理解，仍是以php爲主。

　　首先，正則引擎主要可分爲兩大類：DFA和NFA，反正引擎見多了就不奇怪了，簡單理解就是不一樣的匹配方式，就比如在數組中查找數據時，有的是從頭開始順序，查找，有的從中間開始查找，所用的方式不一樣。相對來講NFA有更長的歷史，使用NFA的工具或者語言更多，但也有兩個引擎混合使用的。某書上舉的例子很是貼切：NFA比如汽油機，DFA比如電動機，它們都能使汽車運行但有使用不一樣的機理。因爲NFA和DFA都發展了不少年，因此又出臺了一個被稱爲POSIX的標準，它規定做爲一個正則引擎應該支持的元字符和特性，以及最終用戶想要獲得的準確結果。

　　NFA，以（正則）表達式爲主導進行匹配，DFA則以待匹配的字符串爲主導進行匹配。php使用的是傳統型的NFA引擎，固然了Perl也是。不管哪一種引擎，有兩個通用的原則：1. 優先匹配最靠左端的結果；2. 標準量詞（+、?、*、{m,n}）均是匹配優先的。

　　現有表達式以下，要匹配字符串'tonight'

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

　　NFA：以表達式爲主導，從表達式的第一部分開始，同時檢查當前文本是否匹配，若是是，繼續到表達式的下一部分，直到表達式所有都能匹配，整個匹配成功。表達式的第一個字符時t，它將在字符串中按順序從左到右反覆查找，直到找到一個t字符，若是找不到就宣告失敗，若是找到，表達式下一個字符時o，繼續在待匹配字符串中查找，開頭兩個都能匹配上，進入到由括號分組的一個選擇分支中，匹配nite、knite或者night，它依次嘗試這種三種可能。第一個分支嘗試到nig時失敗，第二個分支嘗試到表達式中第一個n時失敗，第三個分支剛好徹底匹配。以正則表達主導的引擎，就必須檢查完表達式才能得出最終結論。

　　DFA：與NFA不一樣，DFA在掃描字符串時，會記錄當前有效的全部匹配可能，從最開始的t，它會在當前的匹配可能中添加一種可能，若是存在的話，一直掃描到字符串中的n時，它會記錄兩種可能，nite和night兩處的n（它是從待匹配的字符串角度看錶達式），繼續掃描到i仍是nite和night兩種可能，接着到g只剩下night一種可能了，當h和t匹配完成後，引擎發現掃描字符串已掃描結束，報告成功（貌似有點深度與廣度的意味）。

　　因此，通常狀況下文本主導的DFA引擎要更快一些，表達式主導的NFA必須檢測完全部的模式，在沒有抵達模式結束以前，不知道匹配的成功與否，即便前面某個表達式匹配成功了，說不定後面繼續要對它檢測一下，這可能會浪費不少時間。而DFA以字符串爲主導，到一個地方頂多記錄幾種可能性，目標文本中的字符最多隻會檢測一次。

　　可是多選分支的順序，對於不一樣目標字符串的影響也很大，剛好符合的分支在前面，固然能更快找到。

　　因爲NFA以表達式爲主，表達式書寫的不一樣會產生很大的影響，也能讓咱們更加靈活的控制它，也具備更多的可變性。這其中，對於NFA來講（原本也是以php爲主），有一個重要的特性：回溯---遇到須要從兩個可能成功的匹配中選擇時，先選擇一種，並記住另一種，以做稍後可能的須要，這種情形主要出如今標準量詞和多選分支（|）。

　　盜圖一張：

　　從表達式（'/".*"!/'）出發，首先找到雙引號A處，接着因爲是點號匹配任意字符（默認不包括換行符，這兒不用考慮），再加上元字符*表示能夠匹配多個，因爲標準量詞的匹配優先機理，它一會兒來到了字符串的結尾B處，由於在這之間*能夠是0個、1個或多個，也就是說，這幾種形式都是有可能匹配成功的，所以，引擎會記住這兩種狀態，即在一個位置可能匹配，也能夠不匹配它，只要是*元字符通過的地方，從M到結尾都會記錄。

　　等到結尾發現沒有"，因而回溯，須要說明，引擎老是回溯到最近記錄的狀態（相似棧），一個個往前回溯，直到遇到一個雙引號的地方（C），而後匹配匹配到雙引號後面（D），發現不是感嘆號!，失敗，再次回溯（狀態記錄不爲空），到E處又找到了一個雙引號，與剛纔狀況相同，繼續匹配（F）發現沒有感嘆號，失敗，繼續回溯到G，一樣因爲後邊（H）不是感嘆號，仍須要回溯，到I，這時記錄的狀態已經沒有了，也沒法繼續回溯了，第一輪匹配失敗了結，但還沒完，引擎的傳動裝置繼續從A處雙引號的下一個位置開始繼續尋找第一個符合條件的雙引號，到J，而後相似上一輪的過程繼續上演。最終也沒找到 "..."! 這樣的字符串，過程卻很曲折。

　　從上面的例子能夠看出：一是 .*  這種形式的效率很是低，尤爲在失敗的時候（固然日常咱們那幾行代碼幾乎忽略不計），並且很容易出錯，好比用 /".*/" 匹配一對雙引號包圍的字符串來匹配 ab"cde"fgh""ijk"lmn，最終的結果是"cde"fgh""ijk"，最開始的雙引號和最末尾的雙引號中間的所有內容；二是若是有相似 ((...)*)*、((...)+)*之類的，外面裏面同時記錄不定狀態的，回溯次數呈指數級上升，甚至造成死循環，更加耗時。固然對於改進狀態的引擎提早檢測這種情況，並報告錯誤，如同瀏覽器在本身跳轉本身的頁面那樣報錯。

 　　所以在用到量詞時，好比+，它能夠匹配一個到多個，大於一個時，不是必須的，有兩種選擇狀態，能夠有也能夠沒有，這兩種狀態就是往後可能會在回溯中用到的狀態，稱爲備用狀態，?也是如此。

　　對於匹配雙引號及之間的字符，中間不包括轉義後的雙引號的狀況，咱們可使用忽略優先，'/".*?"/' ，忽略優先按量詞的最小限度匹配， *最小是沒有，至關於先檢測空串，沒有先匹配一個字符立刻檢測雙引號，這在必定只要檢測到右邊有一個雙引號匹配即成功結束，它匹配上圖中的 "McDonald's"也省去了不少回溯。

　　固然，對於這種須要檢測兩個字符間的其餘字符，還有一種辦法，如 '/"[^"]"/'，排除型字符組，它也達到了相同的需求，但狀況不老是這樣。

　　好比，匹配<b>與</b>之間的字符，使用 '/<b>[^<\/b>]*<\/b>/' ？注意字符組一次只能匹配一個字符，這裏是匹配在<b>和</b>之間的，非<、/、b、>的任意一個字符，字符組不能把裏邊的字符當一個總體，對於總體、多個字符的檢測，能夠選擇環視。環視與位置相關，生來就是限定周圍的字符，一個或多個都可。這裏須要否認型環視，由於咱們須要的不能是</b>的字符，爲了好看中間隔開。

    '/<b>(   (?!<\/b>) . )*<\/b>/'   // 否認型環視

　　可是上面仍能匹配"<b>abc<b>def</b>"，因此還要在其之間排除<b>，中間環視檢測</?b>，/能夠有或沒有都行

    '/<b> ( (?! <\/? b >) . )* <\/b>/'

 　　上一篇寫到了「交還」，在回溯過程當中就伴隨着交還，如上面的'/".*"!/'，因發現雙引號後面不是感嘆號，而不得不回溯，此時選擇另外一種備用狀態---不匹配剛纔匹配到的字符，進行回退，是一個明顯的交還。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, $match_3);
    echo 'match=><pre>';
    var_dump($match_1, $match_2, $match_3);

　　使用捕獲型括號，分組，引擎記住兩個括號中匹配的文本。結果以下：

　　　　

　　從上到下依次爲$match_一、$match_二、$match_3，因爲\w與\d有公共部分，並且兩個量詞都是匹配優先，從結果來看，前一個+量詞匹配得最多（鍵值爲1的項），pattern_1中，\d?沒有匹配，pattern_2中，\d+只匹配了一個，pattern_3中，\d*沒有匹配，而它們訥的過程都相似於，先讓\w+匹配到末尾，而後引擎看剩餘的模式，\d?無關緊要，那就無，由於無正則匹配也是成功，不交還。\d+必須匹配一個，不然將致使匹配失敗，這裏它會交還一個，由於它必須服從使得全局匹配的成功。對於\d*也是如此，能夠不匹配，不交還。

　　假如這裏的pattern是'/(\w+)(\d\d)/'，那麼它就必須交還兩個數字，若是沒有交還或是帶匹配字符串中沒有，就只能報告失敗。因此有兩個規律：

　　1. 先來先服務原則，匹配優先的量詞在前，先儘可能知足本身；

　　2. 必須服從全局匹配結果，有形成失敗的可能，引擎會強迫匹配優先量詞交還，不然整個匹配失敗。

　　若是不交還呢？就會提早報告失敗。必須談到佔有優先量詞和固化分組，以+爲例形式是 \w++、 (?>\w+)

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

　　如例，咱們人固然能一眼看出來，字符串結尾沒有冒號確定失敗，可是程序不會這樣，它會一輪又一輪的匹配-回溯，由於它記住了一些可選擇性的狀態，但如今咱們已經明確知道了這些狀態是沒用的，回溯也是白費力氣，回溯前就已經失敗了。因此能夠 \w++: 或者 (?>\w+): ，有了佔有優先或者固化分組，這些可選擇性的狀態都會被拋棄，\w+一直匹配到字符串結尾，單詞沒了，而後檢測冒號存不存在，冒號不存在，可是如今有沒有可供回溯的狀態，當即報告失敗，若是是幾十萬行的文本會節省不少時間。

　　須要注意的是，固話分組或是佔有優先對嵌套在裏面的量詞也是有做用的，這點跟?:只分組不捕獲不一樣

    (?>   (\d+)+  )    // 裏面的\d+的狀態也會被拋棄
    (?: abc (\d\d) )   // 外層的括號不會被捕獲，但裏面的括號不受影響，\1仍記錄着數字字符

 　　最後記錄下選擇分支的一個坑，例

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

　　cat固然會匹配indicate中間的cat，由於它在前面。再看這個

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

　　NFA以表達式爲主導，從表達式的角度看字符串，所以先檢測到的是fat，結果是fat嗎？結果還是cat！因此NFA的引擎始終優先匹配選擇分支選擇最左端的匹配結果，哪怕它位於選擇分支的後邊。

　　這也說明，NFA引擎的正則，只要表達式中還存在可能的多選分支，正則引擎會回溯到存在還沒有嘗試的多選分支的地方，這個過程不斷重複，直到完成全局匹配，若是不是這樣，上例中fat先匹配成功就已經做爲結果返回了。多選狀態不是匹配優先，也不是忽略優先，可是嘗試是從左到右。而對於DFA和某些POSIX NFA，匹配的不是最靠字符串左端的文本，而是選擇分支中最長的分支。

　　正則的細節太多，扯不清楚，仍是得看書理解，尤爲是對於正則的調校，以及某些經常使用的判斷技巧，好比匹配" "包圍的字符串，中間能夠有\"和其餘轉義序列，仍是很麻煩的，推薦《精通正則表達式》，中文翻譯挺棒，讀起來也不生硬，並且還有不少技巧性的東西，好比「消除循環」是一大利器。end