8.3 回溯

比起DFA，NFA看起来足够“麻烦”：它的状态是不确定的，这有点像走迷宫，越走岔路口越多，最后不会迷路吗？

不过，NFA的正则引擎自有办法：如果有多个可能的状态，它们会在选择时记录下这些状态备用，然后才选择其中某个状态尝试；如果之后遇到死路，则退回去，选择最近一次记录的且未尝试过的状态；如果又遇到死路，再选择最近一次记录的且未尝试过的状态...

这有点像在分岔路口留下标记——如果我们在遇到的每个分岔路口都留下标记，即使前头是死路，也可以根据标记返回，而不会迷路。

为了说明NFA的匹配过程，来看看第2章举过的双引号字符串匹配的例子，所用的正则表达式为".*",字符串为"quoted string"，匹配过程如图所示：

[图片上传失败...(image-f3c454-1545311212332)]

从图中可以看出，在匹配的过程中，.*曾经匹配了quoted string"，但是为了表达式中最后一个"的匹配，.*不得不“交还”最后的"，这种“尝试失败-重新选择”的过程，就是回溯（backtracking）。

回溯只属于NFA引擎。从之前地原理图中可以看到，NFA匹配时，正则引擎并不准确知道当前的状态，只能在所有状态不确定的地方将各种状态都保存下载（现在已经匹配了哪些字符，进行到字符串中的哪个位置，正则表达式中的哪个位置），逐一尝试，发现此路不通，则退回来，选择最近保存的其台状态尝试...如此进行下去，直到达到最终状态；或者所有可能状态都尝试完毕，仍不能达到最终状态。

看到这里就不难明白为什么不推荐使用.*了，因为.几乎能匹配任何字符串，而*又表示“匹配优先”，所以正则引擎再处理.*后的其他元素之前，会让.*“吞掉”几乎整个字符串。仍然是上面的正则表达式，只是字符串变为"quoted" string，回溯的次数大大增加了，如果在结尾的"之后还有很长的文本，则回溯的次数还可能大大增加，匹配过程如图所示：

[图片上传失败...(image-2e92e0-1545311212332)]

为避免这类问题，最好的办法是准确表达意图，比如规定双引号字符串内部不允许出现双引号字符，就要将表达式改为"[^"]*"；当然也可以换用忽略优先量词，将表达式改为".?*"。不过总的经验是，除非确实必要，否则尽量不要使用.*。

要注意的不仅仅有.*，还有更糟的情况，比如(...*)*之类的表达式，这时候回溯的次数会呈指数级增长，却不会对匹配有任何影响，所以绝对应该避免。

在实际引用中，不仅要注意自己写的正则表达式，还要防范外界对恶意程序，它们刻意使用会造成大量回溯的表达式，将计算机的资源消耗殆尽，这种攻击有一个专门的名词，叫做正则表达式拒绝服务攻击（regular expression denial of service）。