正则表达式的基本原理

逃离我推掉我的手 2022-07-12 10:22 229阅读 0赞

原链接：[http://www.cnblogs.com/longhuihu/p/4128203.html][http_www.cnblogs.com_longhuihu_p_4128203.html]

### 正则文法介绍 ###

要了解正则表达式的原理，需要先了解一些计算机语言文法的基础知识。

一个文法可以用一个四元来定义，G = \{Vt，Vn，S，P\}

其中Vt是一个非空有限的符号集合，它的每个元素成为终结符号。Vn也是一个非空有限的符号集合，它的每个元素称为非终结符号，并且Vt∩Vn=Φ。S∈Vn，称为文法G的开始符号。P是一个非空有限集合，它的元素称为产生式。所谓产生式，其形式为α→β，α称为产生式的左部，β称为产生式的右部，符号“→”表示“定义为”，并且α、β∈(Vt∪Vn)\*，α≠ε，即α、β是由终结符和非终结符组成的符号串。开始符S必须至少在某一产生式的左部出现一次。

文法可推导的语言标记为L(G)。

著名语言学家Chomsky(乔姆斯基)根据对产生式所施加的限制的不同，把文法分成四种类型，即0型、1型、2型和3型。

0型文法要求至少含有一个非终结符，基本没有什么限制，一个非常重要的理论结果是：0型文法的能力相当于图灵机  
1型文法也叫上下文有关文法，对应于线性有界自动机，要求每个产生式α→β，都有|β|>=|α|，|β|指长度；  
2型文法也叫上下文无关文法，对应于下推自动机，要求在1型文法的基础上，再满足：每一个α→β都有α是非终结符;  
3型文法也叫正则文法，它对应于有限状态自动机。它是在2型文法的基础上满足：A→α|αB（右线性）或A→α|Bα（左线性)。  
正则表达式就是最后一种，正则文法，的一种表达形式，以整个字母表作为终结符集合Vt。

假设有一个文法的产生式是\{S->Sa; S->b;\}，那么对应的正则表达式为ba\*。

因此正则表达式，正则文法，有限状态自动机这个三个概念虽然指不同的东西，但是具备内在的等价性。

> 正则表达式是正则文法，限制多于上下文无关文法，而我们使用的编程语言语法都是上下文无关文法，因此试图通过正则表达式去处理代码(比如语言翻译、代码生成)的努力极可能归于徒劳。不过，把代码当做纯文本，然后在处理过程中使用正则表达式，仍然能大大提高效率。

### 正则表达式的基础运算符 ###

正则表达式包含很多的元字符来表达规则，不过本文不是要介绍如何使用正则表达式，关于正则表达式规则最好的参考书是《精通正则表达式》。

实际上，正则表达式核心的运算符只有以下几种：

<table> 
 <tbody> 
  <tr> 
   <td>名称</td> 
   <td>示例</td> 
   <td>备注</td> 
  </tr> 
  <tr> 
   <td>或运算</td> 
   <td>r|s</td> 
   <td> 匹配的语言是L(r)和L(s)的并集</td> 
  </tr> 
  <tr> 
   <td>连接运算</td> 
   <td> rs</td> 
   <td> 匹配的语言是L(r)和L(s)连接</td> 
  </tr> 
  <tr> 
   <td>Kleene运算</td> 
   <td> r*</td> 
   <td> 匹配的语言是L(r)和L(s)连接</td> 
  </tr> 
  <tr> 
   <td>括号</td> 
   <td> (r)</td> 
   <td> 匹配的语言与L(r)一致</td> 
  </tr> 
 </tbody> 
</table>

kleene运算符优先级最高，且是左结合的，连接第二，或运算优先级最低。

**运算定律:**

**扩展运算符**使得正则表达式更具表达力，下面仅举几个例子：

<table> 
 <tbody> 
  <tr> 
   <td>扩展运算符</td> 
   <td> 等价形式</td> 
  </tr> 
  <tr> 
   <td>+</td> 
   <td> r+ = rr* = r*r</td> 
  </tr> 
  <tr> 
   <td>？</td> 
   <td> r? = r | ℇ</td> 
  </tr> 
  <tr> 
   <td>字符类</td> 
   <td> [a1a2…an] = a1|a2|…|an；如果是连续的字符类，可以写成[a1-an]</td> 
  </tr> 
 </tbody> 
</table>

**高级特性**：

正则表达式具备很多高级特性，比如捕获、环视、固化分组等等，这些特性是为了提高正则表达式的实用价值被设计出来的，不属于正则文法的范畴。

### NFA和DFA ###

前面说过，正则文法对应于有限状态自动机，又分确定型有限状态自动机(DFA)和非确定型有限状态自动机(NFA)，这两种状态机的能力是一样的，都能识别正则语言。正则表达式的识别引擎，都是基于DFA或NFA构造的。关于状态机的基础理论，这里就不描述了，只要稍微有点印象，就不妨碍继续阅读。

*  NFA

一个字母可以标记离开状态的多条边，并且ℇ 也可以标记一条边；这说明NFA的匹配过程面临很多的岔路，需要做出选择，一旦某条岔路失败，就需要回朔。

下图是正则表达式(a|b)\*abb对应的NFA，它相当直观，基本可以从正则表达式直接转换而来。

*  DFA

对于每个状态以及字母表中的每个字母，只能有一条以该字母为标记的，离开该状态的边；这说明DFA的匹配过程是确定的，每个字母是需要匹配一次。

与上面NFA等价的DFA如下图，相当地不直观：

*  将NFA转化成DFA

由于NFA和DFA的能力是一样的，每个NFA必然可以转化成一个等价的DFA。既然DFA对每个输入可以到达的状态时是确定的，那么输入串s在NFA中可能达到的状态集合对应为等价DFA中某个状态。从这个思路出发，可以构造出DFA。

1.  首先NFA的初始状态0不接受ℇ ，因此可以构造出DFA的初始状态(0)；
2.  集合(0)输入a，在NFA中能够到达(0，1)，于是构造出此状态，以及从(0)到(0，1)的边，标记为a
3.  集合(0)输入b，能到到达的还是(0)，因此构造出从(0)到自身的一条标记为b的边
4.  集合(0，1)输入a，能能够到达的还是(0，1)，与上一步类似
5.  集合(0，1)输入b，能够给到达的是(0，2)，构造状态(0，2)及相应的边
6.  集合(0，2)输入a， 能够到达(0，1)，没有新状态，添加一条边
7.  集合(0，2)输入b，能够给达到(0，3)，构造新状态(0，3)
8.  集合(0，3)输入a，能够到达(0，1)，添加一条边即可
9.  集合(0，3)输入b，能够给达到(0)，添加一条边即可
10. 没有新状态，结束

最终得到的DFA如下，(0，3)包含了NFA的终结状态3，因此也是DFA的中介状态，对状态重新命名可以得到上面同样的DFA。

*  DFA和NFA的效率差异

很容易理解，构造DFA的代价远大于NFA，假设NFA的状态数为K，那么等价DFA的状态数目理论上可达2的k次方，不过实际上几乎不会出现这么极端的情况，可以肯定的是构造DFA会消耗更多的时间和内存。

但是DFA一旦构造好了之后，执行效率就非常理想了，如果一个串的长度是n，那么匹配算法的执行复杂度是O(n);而NFA在匹配过程中，存在大量的分支和回朔，假设NFA的状态数为s，因为每输入一个字符可能达到的状态数做多为s，那么匹配算法的复杂度及时输入串的长度乘以状态数O(ns)。

**正则表达式的NFA&DFA构造、转化、简化有一整套理论及方法，远比上面的例子复杂，本文仅通过一个简单的例子来说明原理。**

### NFA与DFA的能力差异 ###

NFA和DFA这两种匹配算法，除了效率上的差别外，从更高的视点看，形成了两种风格的引擎，进而对正则表达式的匹配的其他方面能力造成差异。NFA被称之为”表达式主导”引擎，而DFA被称之为“文本主导”引擎。

#### NFA：表达式主导 ####

从表达式的第一个部分开始，每次检查一部分，同时检查当前文本是否匹配表达式的当前部分，如果是，则继续表达式的下一部分，如此继续，直到表达式的所有部分都能匹配，即整个表达式匹配成功。

我们来看表达式  
to(nite|knight|night)  
匹配文本…tonight…的过程: 表达式的第一个部分是t，它会不断重复扫描，直到在字符串中找到t，之后就检查随后的o，如果能匹配就继续检查下面的元素。这个例子中，下面的元素是(nite|knight|night)，意思是nite或者knight或者night，引擎会依次尝试这三种可能。

整个过程，控制权在表达式的元素之间转换，因此被称之为“表达式主导”。“表达式主导”的特点是每个子表达式都是独立的，不存在内在联系。 子表达式与整个正则表达式的控制结构(多选、量词)的层级关系控制了整个匹配过程。

#### DFA：文本主导 ####

DFA在读入一个文本的时候，会记录当前有效的所有匹配的表达式位置(这些位置集合对应于DFA的一个状态)。  
以上面的匹配过程为例：

这种方式被称之“文本主导”是因为被扫描的字符串，控制了引擎的执行过程。

#### 差异之一：NFA表达式影响引擎 ####

NFA表达式主导的特性，使得通过修改正则表达式来影响引擎，因此下面三个表达式尽管能够匹配同样的文本，但是引擎的执行过程各不相同：

但是对于DFA来说，没有任何区别。

#### 差异之二：DFA能保证最长匹配 ####

对于包含或选项的表达式，NFA在成功匹配一个选项之后可能报告匹配成功，此时并不知道后面的选项是否也会成功，是否包含一个更长的匹配。

假设使用one(self)?(selfsufficient)?来匹配oneselfsufficient，NFA首先匹配one，然后匹配self，此时发现selfsufficient无法匹配剩余子串，但是这个子表达式不是必须的，因此可以立即返回成功，此时匹配的串为oneself。

实际上NFA引擎的匹配结果与具体实现有关，而DFA必然会成功匹配oneselfsufficient。

#### 差异之三：NFA支持更多功能 ####