正则表达式学习笔记（四）正则表达式引擎漫谈：NFA与DFA

截至上篇为止，我们学习了正则表达式的基本用法，包括捕获，引用，环视和量词匹配等。可以说，对于正则表达式的学习，我们已经到了一个不错的地步，但是就如博主博客上面所写的那样，“君子务本，本立而道生”，学习任何一个东西，都要想办法弄清楚最核心的部分，这样才能真正的学会，进而在使用中才能得心应手。

那么对正则表达式来说，它最核心的东西是什么呢？答案是引擎。正则表达式因为其漫长的历史而衍生出了不同的流派，这些不同的流派使用不同的引擎，这些引擎彼此提供了不完全一样的语法支持，甚至对于某个相同的表达式匹配任务，也会有不同的结果。了解引擎有助于我们更深入的了解我们所写的正则表达式匹配。

严格的说，有三种正则表达式的引擎，一种是最传统的NFA，历史最为悠久，.Net，PHP，Ruby等语言中所集成的正则表达式均使用NFA引擎。第二种是DFA，主要被egrep，awk，lex和flex支持。最后一种是满足Posix标准的NFA，这是什么呢，简而言之，就是一种对NFA引擎的规则，规定NFA引擎必须满足某些行为以符合POSIX标准。他们各自的特点如下：

引擎名称	程序	匹配特点
NFA	.Net，PHP，Ruby，Java等	回溯，最左匹配
POSIX NFA	mawk	最长匹配
DFA	egrep，awk等	无捕获，无回溯，最长匹配，不支持忽略优先量词

如果我们使用的语言没有出现在上面，那该怎么办呢？最简单的检测是，使用模式串"Hello|Hello World"匹配目标字符串"Hello World"，如果匹配的结果是Hello，那么多半使用的是NFA引擎，如果整个Hello World都匹配，那么就是POSIX NFA或DFA，至于其中的原理我们后面会讲到。

在特点那一列，有一些特点我们从字面就能理解，比如不支持忽略优先量词，无捕获等，但是对于另外一些特点比如回溯和最左匹配，最长匹配等词汇比较陌生，别着急，在继续了解这它们之前，我们先了解两条对于所有类型正则表达式引擎都适用的基本规则。

 

从左到右匹配目标字符串

考虑目标字符串'This is a word'。使用模式'is'匹配目标字符串，那么无论在何种引擎下面，首先找到的匹配总是This中的is，而不是后面那个单词is。因为在匹配目标字符串的时候，遵循的原则是从左到右匹配。可以想象目标字符串下面有一条看不见的传送带，拉着字符串向前进，从左到右开始匹配。

 

量词默认总是匹配优先

量词*，？，+和{min，max}在不加?变成忽略优先量词（DFA不支持忽略优先量词）的时候，总是匹配优先。

 

好了，有了这两条基本规则在手，让我们来之前让我们觉得有些迷糊的引擎。

DFA

DFA全称确定型有穷自动机，不支持回溯和捕获括号，匹配时以目标字符串为导向，又称为文本导向的引擎。系统会在匹配之前花一定的时间理解模式串，在匹配的时候不会进行目标字符串回溯（回溯在NFA里面解释），只需要从左到右扫描目标字符串一次，其中每个字符至多尝试匹配一次，所以又叫文本导向。DFA的最大特点是会保证返回一个目标字符串里面的最长匹配，我们看刚刚那个例子，用Hello|Hello World尝试匹配Hello World。

从目标字符串的第一个字母H开始，DFA引擎知道模式串中的分支结构都满足字母H，就这样，引擎传送目标字符串向右移动，依次匹配ello。当匹配完o了以后，引擎知道某个分支已经达到了匹配条件，但是因为DFA会返回最长的匹配，所以引擎仅仅会记录一个成功的匹配，接着移动目标字符串，尝试寻找更长的匹配，当无法寻到更长的匹配时，才会返回这个成功的匹配Hello。在这个例子中，引擎能找到一个更长的匹配Hello World，因此这次匹配的结果就是Hello World。再看一个例子，体会一下DFA的文本导向和不回溯机制。这次我们尝试用Tomorrow|Today|Todo 去匹配Today。

和之前一样，从目标文本的一个字符出发，发现三个分支都匹配，接着向前移动，当移动到d的时候，第一个分支淘汰出局。

引擎发现还有两个“活着”的匹配（如果一个可能成功的匹配都没有，引擎会直接报告匹配失败），接着移动目标文本，到a的时候，第三个分支淘汰。

接着引擎继续匹配，终于在移动完整个目标文本之后，确定了唯一的匹配分支二，至此匹配成功返回。

 

NFA

NFA全称非确定型有穷自动机，这个非确定在博主看来，就是指回溯，回溯是NFA的一大特色。除此之外，NFA还是表达式导向，不同于之前的DFA文本导向，下面我们还是来看看相同的两个例子在NFA引擎下面的表现情况。

在Hello World这个例子中，不同于DFA目标文本导向，同时尝试匹配多个分支，依次淘汰。NFA表达式导向以遍历表达式为主，首先尝试用第一分支匹配目标文本，只有在第一分支无法匹配的时候，才尝试使用第二分支。

在这个例子中，第一分支Hello可以顺利的匹配成功，在NFA中，一旦某个分支匹配成功，就会返回这个成功的匹配，而不会接着尝试更多的匹配，所以这也是为什么在这个例子中，返回的成功匹配是Hello而不像DFA返回的是Hello World。

接着我们再来看看回溯，使用Today那个例子。在NFA的回溯机制下，第一个分支的第一个字母最先尝试匹配目标文本的第一个字符，如果匹配，再接着尝试匹配第二个字符；如果不匹配，就用第二个分支的第一个字母尝试匹配目标文本的第一个字符。如果匹配，则尝试匹配第二个字符；如果不匹配，则第三分支开始尝试，如果还不行，则表示目标文本的第一个字符无法被模式串匹配，接着目标文本被引擎向前传送，接着目标文本的第二个字符开始尝试匹配第一分支的第一字符……看到了吗，目标文本的每个字符都可能会被匹配多次（取决于分支数量和分支的匹配情况），引擎传送带可能会来回的传送目标文本，所以这个机制很形象的叫做，回溯。

第一分支无法匹配，切换到第二分支，同时目标文本被引擎重新定位到第一字符T。

第二分支匹配成功，不会再次尝试第三分支，返回成功匹配Today。

 

总结

以上就是正则表达式的引擎NFA和DFA以及他们的主要特性，至于POSIX NFA，仅仅是规定了要返回所有可能匹配中最长匹配的NFA，大家稍微留意就好，但是原理还是那样的。

在使用正则表达式的时候，除了要注意不同的引擎，还要注意不同的工具、语言对同一种引擎的正则表达式支持也可能会不尽相同，大家在使用的时候，还是要多多查阅相关工具的文档，本系列提供的知识，可以当一个方向性的参考，希望各位通过阅读本系列文章，能做到在使用正则表达式的时候，心中有数，知道用哪些功能能实现哪些效果，那博主就很开心了。