正则表达式原理
2020-09-18
首先先讲解下正则表达式的基础知识:
1.字符串的组成
对于字符串”123“而言,包括三个字符四个位置。如下图所示:
2.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东西,而并非是一个位置,并最终保存到匹配的结果当中。这样的就称为占有字符,而只匹配一个位置,或者是匹配的内容并不保存到匹配结果中,这种就称作零宽度,后续会讲到的零宽度断言等。占有字符是互斥的,零宽度是非互斥的。也就是一个字符,同一时间只能由一个子表达式匹配,而一个位置,却可以同时由多个零宽度的子表达式匹配。
3.控制权和传动
正则表达式由左到右依次进行匹配,通常情况下是由一个表达式取得控制权,从字符串的的某个位置进行匹配,一个子表达式开始尝试匹配的位置,是从前一子表达匹配成功的结束位置开始的(例如:(表达式一)(表达式二)意思就是表达式一匹配完成后才能匹配表达式二,而匹配表达式二的位置是从表达式一的位置匹配结束后的位置开始)。如果表达式一是零宽度,那表达式一匹配完成后,表达式二匹配的位置还是原来表达式以匹配的位置。也就是说它匹配开始和结束的位置是同一个。
举一个简单的例子进行说明:正则表达式:123
源数据:123
讲解:首先正则表达式是从最左侧开始进行匹配,也就是位置0处进行匹配,首先得到控制权的是正则表达式中的“1”,而不是源数据中的“1”,匹配源数据中的“1”,匹配成功,将源数据的“1”进行保存到匹配的结果当中,这就表明它占有了一个字符,接下来就将控制权传给正则表达式中的“2”,匹配的位置变成了位置1,匹配源数据中的“2”,匹配成功,将控制权又传动给了正则表达式的“3”,这时候匹配的位置变成了位置2,这时候就会将源数据中的“3”进行匹配。又有正则表达式“3”进行传动控制权,发现已经到了正则表达式的末尾,正则表达式结束。
正则表达式的基础运算符
正则表达式包含很多的元字符来表达规则,不过本文不是要介绍如何使用正则表达式,关于正则表达式规则最好的参考书是《精通正则表达式》。
实际上,正则表达式核心的运算符只有以下几种:
名称 示例 备注
或运算 r|s 匹配的语言是L(r)和L(s)的并集
连接运算 rs 匹配的语言是L(r)和L(s)连接
Kleene运算 r* 匹配的语言是L(r)和L(s)连接
括号 (r) 匹配的语言与L(r)一致
kleene运算符优先级最高,且是左结合的,连接第二,或运算优先级最低。
运算定律:
示例 备注
r|s = s|r | 运算满足交换律
r|s|t = r|(s|t) | 满足结合律
r(st) 连接可以结合
r(s|t) = rs|rt 连接对|可以分配
ℇr = rℇ = r ℇ是连接的单位元
r* = (r|ℇ)\* 闭包中一定包含ℇ
r** = r* *具有幂等性
扩展运算符使得正则表达式更具表达力,下面仅举几个例子:
扩展运算符 等价形式
+ r+ = rr* = r*r
? r? = r | ℇ
字符类 [a1a2…an] = a1|a2|…|an;如果是连续的字符类,可以写成[a1-an]
高级特性:
正则表达式具备很多高级特性,比如捕获、环视、固化分组等等,这些特性是为了提高正则表达式的实用价值被设计出来的,不属于正则文法的范畴。
NFA和DFA
前面说过,正则文法对应于有限状态自动机,又分确定型有限状态自动机(DFA)和非确定型有限状态自动机(NFA),这两种状态机的能力是一样的,都能识别正则语言。正则表达式的识别引擎,都是基于DFA或NFA构造的。关于状态机的基础理论,这里就不描述了,只要稍微有点印象,就不妨碍继续阅读。
NFA
一个字母可以标记离开状态的多条边,并且ℇ 也可以标记一条边;这说明NFA的匹配过程面临很多的岔路,需要做出选择,一旦某条岔路失败,就需要回朔。
下图是正则表达式(a|b)*abb对应的NFA,它相当直观,基本可以从正则表达式直接转换而来。
DFA
对于每个状态以及字母表中的每个字母,只能有一条以该字母为标记的,离开该状态的边;这说明DFA的匹配过程是确定的,每个字母是需要匹配一次。
与上面NFA等价的DFA如下图,相当地不直观:
将NFA转化成DFA
由于NFA和DFA的能力是一样的,每个NFA必然可以转化成一个等价的DFA。既然DFA对每个输入可以到达的状态时是确定的,那么输入串s在NFA中可能达到的状态集合对应为等价DFA中某个状态。从这个思路出发,可以构造出DFA。
首先NFA的初始状态0不接受ℇ ,因此可以构造出DFA的初始状态(0);
集合(0)输入a,在NFA中能够到达(0,1),于是构造出此状态,以及从(0)到(0,1)的边,标记为a
集合(0)输入b,能到到达的还是(0),因此构造出从(0)到自身的一条标记为b的边
集合(0,1)输入a,能能够到达的还是(0,1),与上一步类似
集合(0,1)输入b,能够给到达的是(0,2),构造状态(0,2)及相应的边
集合(0,2)输入a, 能够到达(0,1),没有新状态,添加一条边
集合(0,2)输入b,能够给达到(0,3),构造新状态(0,3)
集合(0,3)输入a,能够到达(0,1),添加一条边即可
集合(0,3)输入b,能够给达到(0),添加一条边即可
没有新状态,结束
最终得到的DFA如下,(0,3)包含了NFA的终结状态3,因此也是DFA的中介状态,对状态重新命名可以得到上面同样的DFA。
DFA和NFA的效率差异
很容易理解,构造DFA的代价远大于NFA,假设NFA的状态数为K,那么等价DFA的状态数目理论上可达2的k次方,不过实际上几乎不会出现这么极端的情况,可以肯定的是构造DFA会消耗更多的时间和内存。
但是DFA一旦构造好了之后,执行效率就非常理想了,如果一个串的长度是n,那么匹配算法的执行复杂度是O(n);而NFA在匹配过程中,存在大量的分支和回朔,假设NFA的状态数为s,因为每输入一个字符可能达到的状态数做多为s,那么匹配算法的复杂度及时输入串的长度乘以状态数O(ns)。
正则表达式的NFA&DFA构造、转化、简化有一整套理论及方法,远比上面的例子复杂,本文仅通过一个简单的例子来说明原理。
NFA与DFA的能力差异
NFA和DFA这两种匹配算法,除了效率上的差别外,从更高的视点看,形成了两种风格的引擎,进而对正则表达式的匹配的其他方面能力造成差异。NFA被称之为"表达式主导"引擎,而DFA被称之为“文本主导”引擎。
NFA:表达式主导
从表达式的第一个部分开始,每次检查一部分,同时检查当前文本是否匹配表达式的当前部分,如果是,则继续表达式的下一部分,如此继续,直到表达式的所有部分都能匹配,即整个表达式匹配成功。
我们来看表达式to(nite|knight|night)匹配文本...tonight...的过程: 表达式的第一个部分是t,它会不断重复扫描,直到在字符串中找到t,之后就检查随后的o,如果能匹配就继续检查下面的元素。这个例子中,下面的元素是(nite|knight|night),意思是nite或者knight或者night,引擎会依次尝试这三种可能。
整个过程,控制权在表达式的元素之间转换,因此被称之为“表达式主导”。“表达式主导”的特点是每个子表达式都是独立的,不存在内在联系。 子表达式与整个正则表达式的控制结构(多选、量词)的层级关系控制了整个匹配过程。
DFA:文本主导
DFA在读入一个文本的时候,会记录当前有效的所有匹配的表达式位置(这些位置集合对应于DFA的一个状态)。 以上面的匹配过程为例:
当引擎读入文本t时,记录匹配的位置是to(nite|knight|night);
接着读入o,匹配位置to(nite|knight|night);
读入n,匹配位置to(nite|knight|night),两个位置,knight被淘汰出局;
...
这种方式被称之“文本主导”是因为被扫描的字符串,控制了引擎的执行过程。
差异之一:NFA表达式影响引擎
NFA表达式主导的特性,使得通过修改正则表达式来影响引擎,因此下面三个表达式尽管能够匹配同样的文本,但是引擎的执行过程各不相同:
to(nite|knight|night)
tonite|toknight|tonight
to(k?night|nite)
但是对于DFA来说,没有任何区别。
差异之二:DFA能保证最长匹配
对于包含或选项的表达式,NFA在成功匹配一个选项之后可能报告匹配成功,此时并不知道后面的选项是否也会成功,是否包含一个更长的匹配。
假设使用one(self)?(selfsufficient)?来匹配oneselfsufficient,NFA首先匹配one,然后匹配self,此时发现selfsufficient无法匹配剩余子串,但是这个子表达式不是必须的,因此可以立即返回成功,此时匹配的串为oneself。
实际上NFA引擎的匹配结果与具体实现有关,而DFA必然会成功匹配oneselfsufficient。
差异之三:NFA支持更多功能
NFA能够支持“捕获group”,“环视”,“占有优先量词”,“固话分组”等高级功能,这些功能都基于“子表达式独立进行匹配”这一特点。 而DFA无法记录匹配历史与子表达式之间的关系,因而也无法实现这些功能。
可见NFA引擎具备更大的实用价值,因而,我们在编程语言里面使用的正则表达式库都是基于NFA的。java的Pattern就是基于NFA的,Pattern.compile()方法显然就是在构造NFA状态图。
参考资料