从头开始，搭建一个正则表达式引擎（一）总体构架、预处理

大概和我不以程序员为职业有关吧，我本人是比较喜欢算法的那种，固然是比不了科班出身的。

好比我就写过不少版本的算术表达式解析器，优先级堆栈的；二叉树的；分治策略的；修正计算顺序的……

正则表达式两个我也写过两个，一个采用的回溯算法，另外一个则是二叉树版本的，虽然这俩却是都能用吧，可是对分组的处理（分组是采用递归调用的方法实现的，至关于另外一个正则表达式）实在是不太好，这个缺点致使不少时候搜索的结果会遗漏不少，而二叉树版本的还有个缺点是选择操做“|”只能得到第一个匹配…………

就效果看，这俩都是残次品。

后来，我在vczh的博客里看到了他的一个科普贴子，在那里面，我才了解到还有有限自动机这种方法。

以后我花了很多时间去思考，由于总以为这个方法太麻烦了，断断续续有2-3个月吧，想来想去也没想出什么更好的法子，最后仍是以为只有用有限自动机才合适。

不过多少我仍是作了些修改的，倒不是为了效率，是为了减小打字量……

主要修改以下：

（1）不每一个字符转移一次状态，而是尽量的把连续的字符做为一个总体进行比对。

（2）不弄什么字母分组表，数据结构就使用指针链表，节省工做量

（3）“{a,b}”这种有次数限定的重复，vczh是采用复制节点实现的，我采用增长状态边来解决（效率会降低）

（4）分组命名，向前向后预查这些花哨而实用的功能，俺就丢了

那么，总体上看，正则表达式引擎的设计我就划分为以下几个步骤：

1）对规则字符串作预处理，主要是换行这类要使用转义符的字符，这个预处理能够把这些字符还原

2）将规则字符串进行划分，修正成操做符、操做数的列表形式

3）对这个列表进行处理，得到NFA状态转移图

4）将NFA状态转移图里的ε边消去，减小状态转移数

5）利用获得的状态转移图，对字符串进行匹配

第一步很容易解决，无非就是找到'\'，而后将后跟't'、'n'、'r'等字符的修正为相应的制表、换行……

第二步也相对简单，无非是识别几个操做符:

'*'、'+'、'?'、'*?'、'+?'、'??'、'('、'(:'、')'、'|'、'['、']'、'{'、'}'

比较特殊的是：

由于把连续的字符看作一个总体，因此在后跟重复或者可选运算符时，要检查一下是否须要断开字符串；

'['后面要一直读取到前面不是'\'的']'，期间不做分析，结果做为一个总体

'{'后面有'{a}'、'{a,}'、'{,a}'、'{a,b}'这几种形式，一样是读取为一个总体

还有一个隐藏的操做符，它的做用是将两个操做数链接起来，相似算术里的“*”，关于它另有介绍[*]

如此一来，列表里的成员记录的内容就会有好几种，python里这不算啥，C++里就麻烦一些，我采用的是struct和union来回嵌套+标志字节的办法来处理这个问题。

（若是使用正则表达式这一步很是轻松，但是若是用了就真成了笑话了）

第三步见下一帖

[*]被隐藏了的“链接”运算符，好比“ab[cd]”这个字符串，分析后的两个元素“ab”和“[cd]”正是经过这个操做符链接的。这个隐藏运算符我是用后面的Operator类的一个补足函数来填充修复的，否则就得另外写一个函数了。