淺談正則表達式原理

時間 2019-11-06

標籤淺談正則表達式原理欄目正則表達式简体版

原文原文鏈接

原文：淺談正則表達式原理 | AlloyTeam
做者： TAT.liberty

正則表達式可能大部分人都用過，可是你們在使用的時候，有沒有想過正則表達式背後的原理，又或者當我告訴你正則表達式可能存在性能問題致使線上掛掉，你會不會以爲特別吃驚？javascript

咱們先來看看7月初，由於一個正則表達式，致使線上事故的例子。前端

https://blog.cloudflare.com/d...java

簡單來講就是一個有性能問題的正則表達式，引發了災難性回溯，致使cpu滿載。git

性能問題的正則

先看看出問題的正則github

引發性能問題的關鍵部分是 .*(?:.*=.*) ，這裏咱們先無論那個非捕獲組，將性能問題的正則看作 .*.*=.* 。正則表達式

其中 . 表示匹配除了換行之外的任意字符（不少人把這裏搞錯，容易出bug）， .* 表示貪婪匹配任意字符任意次。瀏覽器

什麼是回溯

在使用貪婪匹配或者惰性匹配或者或匹配進入到匹配路徑選擇的時候，遇到失敗的匹配路徑，嘗試走另一個匹配路徑的這種行爲，稱做回溯。前端工程師

能夠理解爲走迷宮，一條路走到底，發現無路可走就回到上一個三岔口選擇另外的路。性能

回溯現象

// 性能問題正則
// 將下面代碼粘貼到瀏覽器控制檯運行試試
const regexp = `[A-Z]+\\d+(.*):(.*)+[A-Z]+\\d+`;
const str = `A1:B$1,C$1:D$1,E$1:F$1,G$1:H$1`
const reg = new RegExp(regexp);
start = Date.now();
const res = reg.test(str);
end = Date.now();
console.log('常規正則執行耗時:' + (end - start))

如今來看看回溯到底是怎麼一回事優化

假設咱們有一段正則 (.*)+\d ，這個時候輸入字符串爲 abcd ，注意這個時候僅僅輸入了一個長度爲4的字符串，咱們來分析一下匹配回溯的過程：

上面展現了一個回溯的匹配過程，大概描述一下前三輪匹配。

注意 (.*)+ 這裏能夠先暫且當作屢次執行 .* 。 (.*){1,}

第一次匹配，由於 .* 能夠匹配任意個字符任意次，那麼這裏能夠選擇匹配空、a、ab、abc、abcd，由於 * 的貪婪特性，因此 .* 直接匹配了 abcd 4個字符， + 由於後面沒有其餘字符了，因此只看着 .* 吃掉 abcd 後就不匹配了，這裏記錄 + 的值爲1，而後 \d 沒有東西可以匹配，因此匹配失敗，進行第一次回溯。

第二次匹配，由於進行了回溯，因此回到上一個匹配路徑選擇的時候，上次 .* 匹配的是 abcd ，而且路不通，那麼此次只能嘗試匹配 abc ，這個時候末尾還有一個 d ，那麼能夠理解爲 .* 第一次匹配了 abc ，而後由於 (.*)+ 的緣由， .* 能夠進行第二次匹配，這裏 .* 能夠匹配 d ，這裏記錄 + 的值爲2，而後 \d 沒有東西可以匹配，因此匹配失敗，進行第二次回溯。

第三次匹配，由於進行了回溯，因此回到上一個匹配路徑選擇的時候，上次第一個 .* 匹配的是 abc ，第二個 .* 匹配的是 d ，而且路不通，因此這裏第二次的 .* 不進行匹配，這個時候末尾還有一個 d ， \d 和 d 匹配失敗，進行第三次回溯。

如何減小或避免回溯

優化正則表達式：時刻注意回溯形成的性能影響。
使用DFA正則引擎的正則表達式

什麼是DFA正則引擎

傳統正則引擎分爲NFA（非肯定性有限狀態自動機），和DFA（肯定性有限狀態自動機）。

DFA

對於給定的任意一個狀態和輸入字符，DFA只會轉移到一個肯定的狀態。而且DFA不容許出現沒有輸入字符的狀態轉移。

好比狀態0，在輸入字符A的時候，終點只有1個，只能到狀態1。

NFA

對於任意一個狀態和輸入字符，NFA所能轉移的狀態是一個非空集合。

好比狀態0，在輸入字符A的時候，終點能夠是多個，即能到狀態1，也能到狀態0。

DFA和NFA的正則引擎的區別

那麼講了這麼多以後，DFA和NFA正則引擎究竟有什麼區別呢？或者說DFA和NFA是如何實現正則引擎的呢？

DFA

正則裏面的DFA引擎實際上就是把正則表達式轉換成一個圖的鄰接表，而後經過跳錶的形式判斷一個字符串是否匹配該正則。

// 大概模擬一下
function machine(input) {
    if (typeof input !== 'string') {
        console.log('輸入有誤');
        return;
    }
    // 好比正則：/abc/ 轉換成DFA以後
    // 這裏咱們定義了4種狀態，分別是0,1,2,3，初始狀態爲0
    const reg = {
        0: {
            a: 1,
        },
        1: {
            b: 3,
        },
        2: {
            isEnd: true,
        },
        3: {
            c: 2,
        },
    };
    let status = 0;
    for (let i = 0; i < input.length; i++) {
        const inputChar = input[i];
        status = reg[status][inputChar];
        if (typeof status === 'undefined') {
            console.log('匹配失敗');
            return false;
        }
    }
    const end = reg[status];
    if (end && end.isEnd === true) {
        console.log('匹配成功');
        return true;
    } else {
        console.log('匹配失敗');
        return false;
    }
}

const input = 'abc';
machine(input);

優勢：無論正則表達式寫的再爛，匹配速度都很快

缺點：高級功能好比捕獲組和斷言都不支持