第4章：表达式的匹配原理

引擎

DFA (Deterministic Finite Automaton 确定有穷自动机):
常见的只有MySQL，文本主导，不支持反向引用和捕获括号，但快

传统型 NFA(Non-非):
大多数语言，表达式主导，编译快，内存少，写法不同有性能差异

标准 POSIX NFA:
leftmost-longest，尝试所有确保最长
golang leftmost-first和leftmost-first都支持

混合：Tcl 等

规则

最左优先，尽可能多(匹配优先)

回溯

NFA 有两个可能时会根据匹配优先* 还是忽略优先*?
走其中一个分支，并保存备用状态
如果不成功再回溯尝试另一个分支

第5章：正则表达式实用技巧

(多选|分支)排序可能影响匹配结果

第6章：打造高效正则表达式

减少测试和回溯

如果顺序不影响结果时更多匹配的放前面

编译
传动(从第1个字符开始，从第2个字符开始...)
检测(相连量词{m,n}+* (捕获))
成功/->2.传动
失败

常见措施

编译优化

缓存

传动优化

锚点(行始^ \A 起始\G 行末$ \Z \z)
隐式锚点(.* .+开始)
开始字符====比={4}快100倍
内嵌字符(Boyer-Moore字符串检索算法后前移, 需要前面固定个数)
长度小于时不运行

正则优化

连接当做整体
.*特殊优化比(?:.)*快(Java 10% Python 50倍)
消除没必要的括号
消除没必要的[字符组]
忽略优先量词*?(尽可能少)通常比匹配优先量词慢
限制回溯，避免括号内外都是量词
避免指数级(超线性)匹配
使用占有优先量词(+不会回溯)减少状态
\d{4}量词优化比\d\d\d\d快(Java 几倍 Python 20%)
引擎识别捕获括号是否需要

诀窍

xx*比x+能适应的优化更多
手工模拟优化
(000|999)$比关闭结束锚点优化的(?:000|999)$快(Perl 几千倍)
避免重新编译，Perl避免用变量插值
使用(?:非捕获型括号)
不要滥用括号，如上面的.*比(?:.)*快
不要滥用字符组，[.]应该用\.
不区分大小写效率低已经修正
使用起始锚点.*开头的前面加^或\A
从量词中提取: xx*替代x*，-----{0,2}替代-{5,7}
提取开头: th(is|at)替代(this|that)
将锚点独立出来: ^(?:abc|123)替代^abc|^123，^(abc)替代(^abc)
末尾独立出$
接近开头忽略优先*?，接近结尾匹配优先
拆分成多个正则
使用(?>固化分组)和占有优先量词*+
最可能匹配的分支放前面(POSIX 会全部尝试取最长就不需要)
结尾部分分散到各个部分(有些系统不需要如Perl的$)

消除循环

"(\\.|[^\\"]+)*"

优化为：
"[^\\"]*(\\.[^\\"]*)*"

公式：
opening normal* (special normal*) closing
左 常规*(特殊 常规*)* 右

常规和特殊的开头不能重合
特殊部分必须匹配至少一个字符
特殊部分必须是固化的

方法2:[^\\"]匹配更多，如果是转义，后面继续，结果一样

方法3：匹配主机名

[a-z]+(\.[a-z]+)*

使用占有优先量词

"([^\\"]++|\\.)*+"

使用固化分组

"(?>(?>[^\\"]+|\\.)*)"
\G(?:^|,)(?:((?>[^"]*)(?>""[^"]*)*)|([^",]*))

消除注释

/\*.*?\*/
/\*([^*]|\*+[^/*])*\*+/

消除循环
/\*[^*]*\*+(?:[^/*][^*]*\*+)*/

流畅运转

块注释=/\*[^*]*\*+(?:[^/*][^*]*\*+)*/
行注释=//[^\n]*
双引号="[^\\"]*(?:\\.[^\\"]*)*"
单引号='[^\\']*(?:\\.[^\\']*)*'
(双引号|单引号)|块注释|行注释
替换为
$1

优化为：
开头集=[^"'/]
(双引号|单引号|开头集+)|块注释|行注释

优化为：
(开头集+|双引号|单引号)|块注释|行注释

优化为：
(开头集+|双引号 开头集*|单引号 开头集*)|块注释|行注释

([^"'/]+|
"[^\\"]*(?:\\.[^\\"]*)*"[^"'/]*|
'[^'\\]*(?:\\.[^'\\]*)*'[^"'/]*
)|
/\*[^*]*\*+(?:[^/*][^*]*\*+)*/|
//[^\n]*

正则表达式优化