正则表达式匹配原理

匹配原理

了解正则匹配原理前，我们先看一下正则匹配引擎。正则表达式引擎主要有两种：DFA 和 NFA。

• DFA（Deterministic finite automaton）确定型有穷自动机
• NFA（Non-deterministic finite automaton）非确定型有穷自动机
  还有POSIX NFA，这个是根据NFA引擎出的规范范本，使用较少

引擎	区别
DFA	1、DFA是根据字符串字符，去正则表达式匹配，所以叫确定型（确定匹配顺序） 2、没有回溯，不可以捕获子表达式等，所以匹配速度相对较快 3、代表：awk、egrep、flex、MySql、Procmail
NFA	1、NFA以正则表达式为主导，去字符串表达式中匹配 2、有回溯算法(贪婪模式)、支持子匹配，因为回溯，所以速度可能很慢 3、一般高级语言使用NFA引擎：Java、JavaScript、less、more、Perl、PHP、Python、Ruby、sed、vi等

这里我们主要看一下NFA匹配原理。首先看一个匹配实例：
字符串 new，正则表达式 /new/

NFA以正则表达式为主，首先拿n去字符串匹配。（对于new字符串，匹配引擎会标记为0n1e2w3，即0123四个位置和new三个字符。）从0位置开始匹配，匹配到字符n，然后引擎再拿正则里的e去继续匹配，此时e从位置1开始匹配，成功匹配e，再拿w从位置2匹配，匹配完成。

字符串 new，正则表达式 /n\w+w/

首先拿正则n去匹配字符串，同样从位置0开始，匹配成功。然后拿到\w+，从位置1开始匹配，这里\w+为贪婪模式，直接匹配字符串的ew，匹配成功。此时位置已经标记到了3。最后再拿到正则里的w去从字符串位置3开始匹配，匹配失败，这里回溯模式下会回溯一位，到位置2，然后再去匹配，匹配成功。

字符串 new， 正则表达式 /^(?=n)[a-z]+$/

首先拿到正则里的元字符^(^和$匹配位置)，匹配位置0，然后拿到正则(?=n),这里是匹配当前位置是否是字符n，不占有字符，也不将匹配到的内容保存到匹配结果里，所以也叫零宽断言。注意，^和(?=n)都是匹配位置，都是零宽度，零宽度表达式之间不互斥，即同一个位置可以同时由多个零宽度子表达式进行匹配，所以(?=n)也是从位置0开始匹配，匹配到字符n。然后拿到[a-z]+，继续从位置0开始匹配。这里同样贪婪匹配到new三个字符，位置到达3。最后正则表达式拿到$，从位置3开始匹配，匹配完成。

上述匹配过程，我们有分析提到“占有字符”和“零宽度”。正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而不是位置，则被保存的匹配结果中，我们就称这个子表达式是占有字符的。如果子表达式匹配的是位置，那匹配内容不会保存到结果中，我们称该子表达式是零宽度的。占有字符是互斥的，零宽度是非互斥。

匹配模式

一般正则表达式分两种匹配模式： 贪婪模式 & 非贪婪模式

当正则表达式中包含能接受重复的限定符时，通常是匹配尽可能多的字符，即默认贪婪模式。

相对贪婪模式，有时我们需要匹配尽可能少的字符，即懒惰匹配。一般在可重复限定符前面加问好?，即可转为懒惰模式匹配。

正则限定符	说明
*?	重复任意次，但尽可能少重复
+?	重复1次或多次，但尽可能少重复
??	重复0或1次，但尽可能少重复
{n,m}?	重复n到m次，但尽可能少重复
{n,}?	重复n次以上，但尽可能少重复