正則引擎介紹

一.正則引擎的分類

1.正則引擎主要能夠分爲基本不一樣的兩大類: DNF和NFA

同時能夠粗略的分爲三類: DFA(符合或不符合POSIX標準的都屬此類)、傳統型NFA、POSIX NFA.

2.部分程序使用的正則引擎類型

DFA: awk(多數版本)、egrep(多數版本)、flex、lex、Mysql、procmail

傳統型NFA: GNU Emacs、Java、grep(多數版本)、less、more、.NET、PCRE library、Perl、PHP、Python、Ruby、sed(多數版本)、vi

POSIX NFA: nawk、Mortice Kern Systems'utilities、GNU Emacs(明確指定時使用)

DFN/NFA混合: GNU awk、GNU grep/egrep、Tcl

3.測試引擎的類型

<1>查看是不是傳統型NFA 測試忽略優先量詞是否獲得支持,若是是基本就能確實是傳統型的NFA.由於DFA是不支持忽略優先量詞的,在POSIX NFA中也沒有意義. <2>DFA仍是POSIX NFA DFA也不支持捕獲型括號和回溯.也不支持環視和固化分組和條件判斷和忽略優先.這一點有助於判斷. 關於POSIX NFA看三者的總結篇.

二.匹配的基礎 1.總結兩條普適的原則

優先選擇最最左端(最靠開頭)的匹配結果.
標準的匹配量詞(* ? +和{m,n})是匹配優先的.

2.匹配過程-----"失敗"

匹配先從須要查找的字符串的起始位置嘗試匹配.在這裏,"嘗試匹配"的意思是:在當前位置測試整個正則表達式能匹配的每樣文本,若是在當前位置測試了全部的可能以後不能找到匹配結果,就須要從字符串的第二個字符以前的位置開始從新嘗試.在找到匹配結果之前必須在全部位置重複此過程.只有在嘗試過全部的起始位置(直到字符串的最後一個字符)都不能找到匹配結果的狀況下,纔會報告"匹配失敗".
因此,若是要用正則表達式"ORA"來匹配"FLORAL",從字符串左邊開始第一輪嘗試會失敗(由於"ORA"不能匹配FLO),第二輪嘗試也會失敗("ORA"一樣不能匹配"LOR"),從第三個字符開始的嘗試可以成功,因此引擎會停下來,報告匹配結果FL"ORA"L.

三.傳動裝置和驅動過程

1.傳動裝置的主要功能:----驅動

若是引擎不能再字符串開始的位置找到匹配的結果,傳動裝置就會推進引擎,從字符串的下一個位置開始嘗試,而後是下一個,再下一個,如此繼續.不過,若是某個正則表達式是以"字符串起始位置錨點"開始的,傳動裝置就會知道,不須要更多的嘗試,由於若是可以匹配,結果確定是從字符串的頭部開始的.

2.引擎的構造

<1>文字文本: 如a、*、!、枝... 對於非元字符的文字字符,嘗試匹配時須要考慮的就是"這個字符與當前嘗試的字符是否相同".若是一個正則表達式只包含純文本字符,如:"usa",那麼正則引擎會將其視爲:一個"u",接着一個"s",接着一個"a".

<2>字符組、點號、Unicode屬性及其它 一般這一節的匹配是比較簡單的:不論字符組的長度是多少,它都只能匹配一個字符.點號幾乎能匹配任何字符.

<3>捕獲型括號 用於捕獲文本的括號(而並不是用於分組)不會影響匹配的過程.

<4>錨點--eg:^ \z (?<=\d)... 錨點能夠分爲兩大類:簡單錨點(^ $ \G \b...)和複雜錨點(環視).

<5>非"電動"括號、反向引用和忽略優先量詞 只有NFA引擎支持這些特性,而DFA引擎不支持.

四.標準量詞是匹配優先的

標準匹配量詞的結果"可能"並不是全部可能中最長的,可是它們老是嘗試匹配儘量多的字符,直到匹配上限爲止.若是匹配結果並不是該表達式的全部可能中最長的,緣由確定是匹配字符過多致使匹配失敗.

例如: 用"\b\w+s\b"來匹配包含"s"的字符串"regexes","\w+"徹底可以匹配整個單詞,但若是用\w+來匹配整個單詞,"s"就沒法匹配了.爲了完成匹配,"\w+"必須只能匹配"regexe",把最後的"s\b"釋放(交還)出來.或者說"s"強迫"\w+"將"s\b"釋放出來.

若是表達式的其它部分可以匹配的惟一條件是:匹配優先的結構不匹配任何字符,在允許零匹配(如* ?等)的狀況下是沒問題的.不過,這種狀況只有在表達式的後續部分強迫下才能發生.匹配優先量詞之因此得名,是由於它們老是(或者,至少是嘗試)匹配多於匹配成功下限的字符.

1.過分的匹配優先

"^.*([0-9][0-9])"或許是一個有用的正則表達式,它可以匹配一行字符的最後兩位數字,若是有的話,將他們存儲到"$1"中.

下面是匹配過程: "."首先匹配整行,而"[0-9][0-9]"是必須匹配的,在嘗試匹配行末的時候會失敗,這樣它會通知".":"你佔用的太多了,交出一些字符來吧,這樣或許我能匹配".匹配優先組件首先會匹配儘量多的字符,但爲了整個表達式的匹配,它們一般須要"釋放"一些字符(剋制本能).固然,它們並不"願意"這樣作,只是不得已而爲之.固然,"交還"毫不能破壞匹配的成立的必須條件,好比"+"的第一次匹配.

分析正則表達式"^.*([0-9][0-9])"匹配字符串"about 24 characters long"的過程:

".*"匹配整個字符串之後,第一個"[0-9]"的匹配要求".*"釋放一個字符"g"(最後一個字符).可是這並不能讓"[0-9]"匹配,因此".*"必須繼續"交還字符",接下來"交還"的是"n'.若是循環15次,直到".*"最終釋放"4"爲止.
此時,即便第一個"[0-9]"可以匹配"4"，第二個"[0-9]"仍然不能匹配.爲了匹配整個正則表達式,".*"必須再次釋放一個字符,此次是"2",由第一個"[0-9]"匹配.如今"4"可以由第二個"[0-9]"匹配,因此整個正則表達式匹配的結果是"about 24","$1"的值是"24".

2.匹配優先---先來先服務

多個匹配優先組件組成的正則表達式中,匹配的原則是---"先來先服務(或者理解爲'先到先得')"---只要能保證整個正則的匹配成功(若是能)便可.

例如: 正則表達式"^.*[0-9]+"來匹配字符串"copyright 2003.".其中,"[0-9]+"匹配的結果是什麼?答案是"3".匹配過程同上,其它本身想.