為什麼要了解引擎匹配原理

一個個音符雜亂無章的組合在一起，彈奏出的或許就是噪音，同樣的音符經過作曲家的手，就可以譜出非常動聽的樂曲，一個演奏者同樣可以照著樂譜奏出動聽的樂曲，但他/她或許不知道該如何去改變音符的組合，使得樂曲更動聽。

作為正則的使用者也一樣，不懂正則引擎原理的情況下，同樣可以寫出滿足需求的正則，但是不知道原理，卻很難寫出高效且沒有隱患的正則。所以對於經常使用正則，或是有興趣深入學習正則的人，還是有必要了解一下正則引擎的匹配原理的。

正則表示式引擎

正則引擎大體上可分為不同的兩類：DFA和NFA，而NFA又基本上可以分為傳統型NFA和POSIX NFA。

• DFA Deterministic finite automaton 確定型有窮自動機
• NFA Non-deterministic finite automaton　非確定型有窮自動機
• Traditional NFA
• POSIX NFA

DFA引擎因為不需要回溯，所以匹配快速，但不支援捕獲組，所以也就不支援反向引用和$number這種引用方式，目前使用DFA引擎的語言和工具主要有awk、egrep 和 lex。

POSIX NFA主要指符合POSIX標準的NFA引擎，它的特點主要是提供longest-leftmost匹配，也就是在找到最左側最長匹配之前，它將繼續回溯。同DFA一樣，非貪婪模式或者說忽略優先量詞對於POSIX NFA同樣是沒有意義的。

大多數語言和工具使用的是傳統型的NFA引擎，它有一些DFA不支援的特性：

• 捕獲組、反向引用和$number引用方式；
• 環視(Lookaround，(?<=…)、(?<!…)、(?=…)、(?!…))，或者有的有文章叫做預搜尋；
• 忽略優化量詞（??、*?、+?、{m,n}?、{m,}?），或者有的文章叫做非貪婪模式；
• 佔有優先量詞（?+、*+、++、{m,n}+、{m,}+，目前僅Java和PCRE支援），固化分組(?>…)。

引擎間的區別不是本文的重點，僅做簡要的介紹，有興趣的可參考相關文獻。

預備知識

字串組成

對於字串“abc”而言，包括三個字元和四個位置。

佔有字元和零寬度

正則表示式匹配過程中，如果子表示式匹配到的是字元內容，而非位置，並被儲存到最終的匹配結果中，那麼就認為這個子表示式是佔有字元的；如果子表示式匹配的僅僅是位置，或者匹配的內容並不儲存到最終的匹配結果中，那麼就認為這個子表示式是零寬度的。

佔有字元是互斥的，零寬度是非互斥的。也就是一個字元，同一時間只能由一個子表示式匹配，而一個位置，卻可以同時由多個零寬度的子表示式匹配。

控制權和傳動
正則的匹配過程，通常情況下都是由一個子表示式（可能為一個普通字元、元字元或元字元序列組成）取得控制權，從字串的某一位置開始嘗試匹配，一個子表示式開始嘗試匹配的位置，是從前一子表達匹配成功的結束位置開始的。如正則表示式：

(子表示式一)(子表示式二)

假設(子表示式一)為零寬度表示式，由於它匹配開始和結束的位置是同一個，如位置0，那麼(子表示式二)是從位置0開始嘗試匹配的。

假設(子表示式一)為佔有字元的表示式，由於它匹配開始和結束的位置不是同一個，如匹配成功開始於位置0，結束於位置2，那麼(子表示式二)是從位置2開始嘗試匹配的。

而對於整個表示式來說，通常是由字串位置0開始嘗試匹配的。如果在位置0開始的嘗試，匹配到字串某一位置時整個表示式匹配失敗，那麼引擎會使正則向前傳動，整個表示式從位置1開始重新嘗試匹配，依此類推，直到報告匹配成功或嘗試到最後一個位置後報告匹配失敗。

正則表示式簡單匹本過程

基礎匹配過程

源字串：abc

正則表示式：abc

匹配過程：

首先由字元“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字元“b”；由於“a”已被“a”匹配，所以“b”從位置1開始嘗試匹配，由“b”來匹配“b”，匹配成功，控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表示式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。

含有匹配優先量詞的匹配過程——匹配成功（一）

源字串：abc

正則表示式：ab?c

量詞“?”屬於匹配優先量詞，在可匹配可不匹配時，會先選擇嘗試匹配，只有這種選擇會使整個表示式無法匹配成功時，才會嘗試讓出匹配到的內容。這裡的量詞“?”是用來修飾字符“b”的，所以“b?”是一個整體。

匹配過程：

首先由字元“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字元“b?”；由於“?”是匹配優先量詞，所以會先嚐試進行匹配，由“b?”來匹配“b”，匹配成功，控制權交給“c”，同時記錄一個備選狀態；由“c”來匹配“c”，匹配成功。記錄的備選狀態丟棄。

此時正則表示式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。

 含有匹配優先量詞的匹配過程——匹配成功（二）

源字串：ac

正則表示式：ab?c

匹配過程：

首先由字元“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字元“b?”；先嚐試進行匹配，由“b?”來匹配“c”，同時記錄一個備選狀態，匹配失敗，此時進行回溯，找到備選狀態，“b?”忽略匹配，讓出控制權，把控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表示式匹配完成，報告匹配成功。匹配結果為“ac”，開始位置為0，結束位置為2。其中“b?”不匹配任何內容。

含有匹配優先量詞的匹配過程——匹配失敗

源字串：abd

正則表示式：ab?c

匹配過程：

首先由字元“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字元“b?”；先嚐試進行匹配，由“b?”來匹配“b”，同時記錄一個備選狀態，匹配成功，控制權交給“c”；由“c”來匹配“d”，匹配失敗，此時進行回溯，找到記錄的備選狀態，“b?”忽略匹配，即“b?”不匹配“b”，讓出控制權，把控制權交給“c”；由“c”來匹配“b”，匹配失敗。此時第一輪匹配嘗試失敗。

正則引擎使正則向前傳動，由位置1開始嘗試匹配，由“a”來匹配“b”，匹配失敗，沒有備選狀態，第二輪匹配嘗試失敗。

繼續向前傳動，直到在位置3嘗試匹配失敗，匹配結束。此時報告整個表示式匹配失敗。

含有忽略優先量詞的匹配過程——匹配成功

源字串：abc

正則表示式：ab??c

量詞“??”屬於忽略優先量詞，在可匹配可不匹配時，會先選擇不匹配，只有這種選擇會使整個表示式無法匹配成功時，才會嘗試進行匹配。這裡的量詞“??”是用來修飾字符“b”的，所以“b??”是一個整體。

匹配過程：

首先由字元“a”取得控制權，從位置0開始匹配，由“a”來匹配“a”，匹配成功，控制權交給字元“b??”；先嚐試忽略匹配，即“b??”不進行匹配，同時記錄一個備選狀態，控制權交給“c”；由“c”來匹配“b”，匹配失敗，此時進行回溯，找到記錄的備選狀態，“b??”嘗試匹配，即“b??”來匹配“b”，匹配成功，把控制權交給“c”；由“c”來匹配“c”，匹配成功。

此時正則表示式匹配完成，報告匹配成功。匹配結果為“abc”，開始位置為0，結束位置為3。其中“b??”匹配字元“b”。

零寬度匹配過程

源字串：a12

正則表示式：^(?=[a-z])[a-z0-9]+$

元字元“^”和“$”匹配的只是位置，順序環視“(?=[a-z])”只進行匹配，並不佔有字元，也不將匹配的內容儲存到最終的匹配結果，所以都是零寬度的。

這個正則的意義就是匹配由字母或數字組成的，第一個字元是字母的字串。

匹配過程：

首先由元字元“^”取得控制權，從位置0開始匹配，“^”匹配的就是開始位置“位置0”，匹配成功，控制權交給順序環視“(?=[a-z])”；

“(?=[a-z])”要求它所在位置右側必須是字母才能匹配成功，零寬度的子表示式之間是不互斥的，即同一個位置可以同時由多個零寬度子表示式匹配，所以它也是從位置0嘗試進行匹配，位置0的右側是字元“a”，符合要求，匹配成功，控制權交給“[a-z0-9]+”；

因為“(?=[a-z])”只進行匹配，並不將匹配到的內容儲存到最後結果，並且“(?=[a-z])”匹配成功的位置是位置0，所以“[a-z0-9]+”也是從位置0開始嘗試匹配的，“[a-z0-9]+”首先嚐試匹配“a”，匹配成功，繼續嘗試匹配，可以成功匹配接下來的“1”和“2”，此時已經匹配到位置3，位置3的右側已沒有字元，這時會把控制權交給“$”；

元字元“$”從位置3開始嘗試匹配，它匹配的是結束位置，也就是“位置3”，匹配成功。

此時正則表示式匹配完成，報告匹配成功。匹配結果為“a12”，開始位置為0，結束位置為3。其中“^”匹配位置0，“(?=[a-z])”匹配位置0，“[a-z0-9]+”匹配字串“a12”，“$”匹配位置3。