引言

本文將逐步討論一些正則表示式的使用話題。本文為本站基礎篇之後的擴充套件，在閱讀本文之前，建議先閱讀正則表示式參考文件一文。

1. 表示式的遞迴匹配

有時候，我們需要用正則表示式來分析一個計算式中的括號配對情況。比如，使用表示式 "/( [^)]* /)" 或者 "/( .*? /)" 可以匹配一對小括號。但是如果括號 內還嵌有一層括號的話 ，如 "( ( ) )"，則這種寫法將不能夠匹配正確，得到的結果是 "( ( )" 。類似情況的還有 HTML 中支援巢狀的標籤如 "<font> </font>" 等。本節將要討論的是，想辦法把有巢狀的的成對括號或者成對標籤匹配出來。

匹配未知層次的巢狀：

有的正則表示式引擎，專門針對這種巢狀提供了支援。並且在棧空間允許的情況下，能夠支援任意未知層次的巢狀：比如 Perl，PHP，GRETA 等。在 PHP 和 GRETA 中，表示式中使用 "(?R)" 來表示巢狀部分。

匹配嵌套了未知層次的 "小括號對" 的表示式寫法如下："/(  ([^()]  |  (?R))*  /)"。

匹配有限層次的巢狀：

對於不支援巢狀的正則表示式引擎，只能通過一定的辦法來匹配有限層次的巢狀。思路如下：

第二步，寫一個可匹配巢狀一層的表示式："/( ([^()] | /( [^()]* /))* /)"。這個表示式在匹配巢狀層數大於一時，只能匹配最裡面的兩層，同時，這個表示式

第三步，找到匹配巢狀(n)層的表示式 與 巢狀(n-1)層的表示式之間的關係。比如，能夠匹配巢狀(n)層的表示式為：

    [標記頭]  ( [匹配 [標記頭] 和 [標記尾] 之外的表示式] | [匹配 n-1 層的表示式] )*  [標記尾]

    回頭來看前面編寫的“可匹配巢狀一層”的表示式：

    第四步，依此類推，可以編寫出匹配有限(n)層的表示式。這種方式寫出來的表示式，雖然看上去很長，但是這種表示式經過編譯後，匹配效率仍然是很高的。

2. 非貪婪匹配的效率

    可能有不少的人和我一樣，有過這樣的經歷：當我們要匹配類似 "<td>內容</td>" 或者 "[b]加粗[/b]" 這樣的文字時，我們根據正向預搜尋功能寫出這樣的表示式："<td>([^<]|<(?!/td>))*</td>" 或者 "<td>((?!</td>).)*</td>"。

    當發現非貪婪匹配之時，恍然大悟，同樣功能的表示式可以寫得如此簡單："<td>.*?</td>"。 頓時間如獲至寶，凡是按邊界匹配的地方，儘量使用簡捷的非貪婪匹配 ".*?"。特別是對於複雜的表示式來說，採用非貪婪匹配 ".*?" 寫出來的表示式的確是簡練了許多。

    然而，當一個表示式中，有多個非貪婪匹配時，或者多個的表示式時，這個表示式將可能存在效率上的陷阱。有時候，匹配速度慢得莫名奇妙，甚至開始懷疑正則表示式是否實用。

效率陷阱的產生：

    在本站基礎文章裡，對非貪婪匹配的描述中說到：“如果少匹配就會導致整個表示式匹配失敗的時候，與貪婪模式類似，非貪婪模式會最小限度的再匹配一些，以使整個表示式匹配成功。”

    具體的匹配過程是這樣的：

1. "非貪婪部分" 先匹配最少次數，然後嘗試匹配 "右側的表示式"。
2. 如果右側的表示式匹配成功，則整個表示式匹配結束。如果右側表示式匹配失敗，則 "非貪婪部分" 將增加匹配一次，然後再嘗試匹配 "右側的表示式"。
3. 如果右側的表示式又匹配失敗，則 "非貪婪部分" 將再增加匹配一次。再嘗試匹配 "右側的表示式"。
4. 依此類推，最後得到的結果是 "非貪婪部分" 以儘可能少的匹配次數，使整個表示式匹配成功。或者最終仍然匹配失敗。

    當一個表示式中有多個非貪婪匹配，以表示式 "d(/w+?)d(/w+?)z" 為例，對於第一個括號中的 "/w+?" 來說，右邊的 "d(/w+?)z" 屬於它的 "右側的表示式"，對於第二個括號中的 "/w+?" 來說，右邊的 "z" 屬於它的 "右側的表示式"。

    當 "z" 匹配失敗時，第二個 "/w+?" 會 "增加匹配一次"，再嘗試匹配 "z"。如果第二個 "/w+?" 無論怎樣 "增加匹配次數"，直至整篇文字結束，"z" 都不能匹配，那麼表示 "d(/w+?)z" 匹配失敗，也就是說第一個 "/w+?" 的 "右側" 匹配失敗。此時，第一個 "/w+?" 會增加匹配一次，然後再進行 "d(/w+?)z" 的匹配。迴圈前面所講的過程，直至第一個 "/w+?" 無論怎麼 "增加匹配次數"，後邊的 "d(/w+?)z" 都不能匹配時，整個表示式才宣告匹配失敗。

    其實，為了使整個表示式匹配成功，貪婪匹配也會適當的“讓出”已經匹配的字元。因此貪婪匹配也有類似的情況。當一個表示式中有較多的的表示式時，為了讓整個表示式匹配成功，各個貪婪或非貪婪的表示式都要進行嘗試減少或增加匹配次數，由此容易形成一個大迴圈的嘗試，造成了很長的匹配時間。本文之所以稱之為“陷阱”，因為這種效率問題往往不易察覺。

效率陷阱的避免：

    避免效率陷阱的原則是：避免“多重迴圈”的“嘗試匹配”。並不是說非貪婪匹配就是不好的，只是在運用非貪婪匹配的時候，需要注意避免過多“迴圈嘗試”的問題。

    情況二：如果一個表示式中有多個的表示式，應防止進行不必要的嘗試匹配。

    比如，對錶達式 "<script language='(.*?)'>(.*?)</script>" 來說， 如果前面部分表示式在遇到 "<script language='vbscript'>" 時匹配成功後，而後邊的 "(.*?)</script>" 卻匹配失敗，將導致第一個 ".*?" 增加匹配次數再嘗試。而對於表示式真正目的，讓第一個 ".*?" 增加匹配成“vbscript'>”是不對的，因此這種嘗試是不必要的嘗試。

    因此，對依靠邊界來識別的表示式，不要讓未知匹配次數的部分跨過它的邊界。前面的表示式中，第一個 ".*?" 應該改寫成 "[^']*"。後邊那個 ".*?" 的右邊再沒有未知匹配次數的表示式，因此這個非貪婪匹配沒有效率陷阱。於是，這個匹配指令碼塊的表示式，應該寫成："<script language='([^']*)'>(.*?)</script>" 更好