NFA引擎匹配原理

1       爲何要了解引擎匹配原理

一個個音符雜亂無章的組合在一塊兒，彈奏出的或許就是噪音，一樣的音符通過做曲家的手，就能夠譜出很是動聽的樂曲，一個演奏者一樣能夠照着曲譜奏出動聽的樂曲，但他/她或許不知道該如何去改變音符的組合，使得樂曲更動聽。

做爲正則的使用者也同樣，不懂正則引擎原理的狀況下，一樣能夠寫出知足需求的正則，可是不知道原理，卻很難寫出高效且沒有隱患的正則。因此對於常常使用正則，或是有興趣深刻學習正則的人，仍是有必要了解一下正則引擎的匹配原理的。

2       正則表達式引擎

正則引擎大致上可分爲不一樣的兩類：DFA和NFA，而NFA又基本上能夠分爲傳統型NFA和POSIX NFA。

DFA Deterministic finite automaton 肯定型有窮自動機

NFA Non-deterministic finite automaton　非肯定型有窮自動機

Traditional NFA

POSIX NFA

DFA引擎由於不須要回溯，因此匹配快速，但不支持捕獲組，因此也就不支持反向引用和$number這種引用方式，目前使用DFA引擎的語言和工具主要有awk、egrep 和 lex。

POSIX NFA主要指符合POSIX標準的NFA引擎，它的特色主要是提供longest-leftmost匹配，也就是在找到最左側最長匹配以前，它將繼續回溯。同DFA同樣，非貪婪模式或者說忽略優先量詞對於POSIX NFA一樣是沒有意義的。

大多數語言和工具使用的是傳統型的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；

　　環視(Lookaround，(?<=…)、(?<!…)、(?=…)、(?!…))，或者有的有文章叫作預搜索；

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

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

引擎間的區別不是本文的重點，僅作簡要的介紹，有興趣的可參考相關文獻。

3       預備知識

3.1     字符串組成

 

 

對於字符串「abc」而言，包括三個字符和四個位置。

3.2     佔有字符和零寬度

正則表達式匹配過程當中，若是子表達式匹配到的是字符內容，而非位置，並被保存到最終的匹配結果中，那麼就認爲這個子表達式是佔有字符的；若是子表達式匹配的僅僅是位置，或者匹配的內容並不保存到最終的匹配結果中，那麼就認爲這個子表達式是零寬度的。

佔有字符是互斥的，零寬度是非互斥的。也就是一個字符，同一時間只能由一個子表達式匹配，而一個位置，卻能夠同時由多個零寬度的子表達式匹配。

3.3     控制權和傳動

正則的匹配過程，一般狀況下都是由一個子表達式（可能爲一個普通字符、元字符或元字符序列組成）取得控制權，從字符串的某一位置開始嘗試匹配，一個子表達式開始嘗試匹配的位置，是從前一子表達匹配成功的結束位置開始的。如正則表達式：

(子表達式一)(子表達式二)

假設(子表達式一)爲零寬度表達式，因爲它匹配開始和結束的位置是同一個，如位置0，那麼(子表達式二)是從位置0開始嘗試匹配的。

假設(子表達式一)爲佔有字符的表達式，因爲它匹配開始和結束的位置不是同一個，如匹配成功開始於位置0，結束於位置2，那麼(子表達式二)是從位置2開始嘗試匹配的。

而對於整個表達式來講，一般是由字符串位置0開始嘗試匹配的。若是在位置0開始的嘗試，匹配到字符串某一位置時整個表達式匹配失敗，那麼引擎會使正則向前傳動，整個表達式從位置1開始從新嘗試匹配，依此類推，直到報告匹配成功或嘗試到最後一個位置後報告匹配失敗。

4       正則表達式簡單匹本過程

4.1     基礎匹配過程

 

 

 

源字符串：abc

正則表達式：abc

匹配過程：

首先由字符「a」取得控制權，從位置0開始匹配，由「a」來匹配「a」，匹配成功，控制權交給字符「b」；因爲「a」已被「a」匹配，因此「b」從位置1開始嘗試匹配，由「b」來匹配「b」，匹配成功，控制權交給「c」；由「c」來匹配「c」，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果爲「abc」，開始位置爲0，結束位置爲3。

 

4.2     含有匹配優先量詞的匹配過程——匹配成功（一）

 

 

源字符串：abc

正則表達式：ab?c

量詞「?」屬於匹配優先量詞，在可匹配可不匹配時，會先選擇嘗試匹配，只有這種選擇會使整個表達式沒法匹配成功時，纔會嘗試讓出匹配到的內容。這裏的量詞「?」是用來修飾字符「b」的，因此「b?」是一個總體。

匹配過程：

首先由字符「a」取得控制權，從位置0開始匹配，由「a」來匹配「a」，匹配成功，控制權交給字符「b?」；因爲「?」是匹配優先量詞，因此會先嚐試進行匹配，由「b?」來匹配「b」，匹配成功，控制權交給「c」，同時記錄一個備選狀態；由「c」來匹配「c」，匹配成功。記錄的備選狀態丟棄。

此時正則表達式匹配完成，報告匹配成功。匹配結果爲「abc」，開始位置爲0，結束位置爲3。

4.3     含有匹配優先量詞的匹配過程——匹配成功（二）

 

 

源字符串：ac

正則表達式：ab?c

匹配過程：

首先由字符「a」取得控制權，從位置0開始匹配，由「a」來匹配「a」，匹配成功，控制權交給字符「b?」；先嚐試進行匹配，由「b?」來匹配「c」，同時記錄一個備選狀態，匹配失敗，此時進行回溯，找到備選狀態，「b?」忽略匹配，讓出控制權，把控制權交給「c」；由「c」來匹配「c」，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果爲「ac」，開始位置爲0，結束位置爲2。其中「b?」不匹配任何內容。

4.4     含有匹配優先量詞的匹配過程——匹配失敗

 

 

源字符串：abd

正則表達式：ab?c

匹配過程：

首先由字符「a」取得控制權，從位置0開始匹配，由「a」來匹配「a」，匹配成功，控制權交給字符「b?」；先嚐試進行匹配，由「b?」來匹配「b」，同時記錄一個備選狀態，匹配成功，控制權交給「c」；由「c」來匹配「d」，匹配失敗，此時進行回溯，找到記錄的備選狀態，「b?」忽略匹配，即「b?」不匹配「b」，讓出控制權，把控制權交給「c」；由「c」來匹配「b」，匹配失敗。此時第一輪匹配嘗試失敗。

正則引擎使正則向前傳動，由位置1開始嘗試匹配，由「a」來匹配「b」，匹配失敗，沒有備選狀態，第二輪匹配嘗試失敗。

繼續向前傳動，直到在位置3嘗試匹配失敗，匹配結束。此時報告整個表達式匹配失敗。

4.5     含有忽略優先量詞的匹配過程——匹配成功

 

 

源字符串：abc

正則表達式：ab??c

量詞「??」屬於忽略優先量詞，在可匹配可不匹配時，會先選擇不匹配，只有這種選擇會使整個表達式沒法匹配成功時，纔會嘗試進行匹配。這裏的量詞「??」是用來修飾字符「b」的，因此「b??」是一個總體。

匹配過程：

首先由字符「a」取得控制權，從位置0開始匹配，由「a」來匹配「a」，匹配成功，控制權交給字符「b??」；先嚐試忽略匹配，即「b??」不進行匹配，同時記錄一個備選狀態，控制權交給「c」；由「c」來匹配「b」，匹配失敗，此時進行回溯，找到記錄的備選狀態，「b??」嘗試匹配，即「b??」來匹配「b」，匹配成功，把控制權交給「c」；由「c」來匹配「c」，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果爲「abc」，開始位置爲0，結束位置爲3。其中「b??」匹配字符「b」。

4.6     零寬度匹配過程

源字符串：a12

正則表達式：^(?=[a-z])[a-z0-9]+$

元字符「^」和「$」匹配的只是位置，順序環視「(?=[a-z])」只進行匹配，並不佔有字符，也不將匹配的內容保存到最終的匹配結果，因此都是零寬度的。

這個正則的意義就是匹配由字母或數字組成的，第一個字符是字母的字符串。

匹配過程：

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

「(?=[a-z])」要求它所在位置右側必須是字母才能匹配成功，零寬度的子表達式之間是不互斥的，即同一個位置能夠同時由多個零寬度子表達式匹配，因此它也是從位置0嘗試進行匹配，位置0的右側是字符「a」，符合要求，匹配成功，控制權交給「[a-z0-9]+」；

由於「(?=[a-z])」只進行匹配，並不將匹配到的內容保存到最後結果，而且「(?=[a-z])」匹配成功的位置是位置0，因此「[a-z0-9]+」也是從位置0開始嘗試匹配的，「[a-z0-9]+」首先嚐試匹配「a」，匹配成功，繼續嘗試匹配，能夠成功匹配接下來的「1」和「2」，此時已經匹配到位置3，位置3的右側已沒有字符，這時會把控制權交給「$」；

元字符「$」從位置3開始嘗試匹配，它匹配的是結束位置，也就是「位置3」，匹配成功。

此時正則表達式匹配完成，報告匹配成功。匹配結果爲「a12」，開始位置爲0，結束位置爲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。

 

 

 NFA引擎匹配原理 來源:http://blog.csdn.net/lxcnn/article/details/4304651