正则学习（2）--- 简单匹配原理

　　写写对简单的匹配原理的理解，仍是以php为主。

　　首先，正则引擎主要可分为两大类：DFA和NFA，反正引擎见多了就不奇怪了，简单理解就是不一样的匹配方式，就比如在数组中查找数据时，有的是从头开始顺序，查找，有的从中间开始查找，所用的方式不一样。相对来讲NFA有更长的历史，使用NFA的工具或者语言更多，但也有两个引擎混合使用的。某书上举的例子很是贴切：NFA比如汽油机，DFA比如电动机，它们都能使汽车运行但有使用不一样的机理。因为NFA和DFA都发展了不少年，因此又出台了一个被称为POSIX的标准，它规定做为一个正则引擎应该支持的元字符和特性，以及最终用户想要获得的准确结果。

　　NFA，以（正则）表达式为主导进行匹配，DFA则以待匹配的字符串为主导进行匹配。php使用的是传统型的NFA引擎，固然了Perl也是。不管哪一种引擎，有两个通用的原则：1. 优先匹配最靠左端的结果；2. 标准量词（+、?、*、{m,n}）均是匹配优先的。

　　现有表达式以下，要匹配字符串'tonight'

    '/to(nite|knite|night)/'

　　NFA：以表达式为主导，从表达式的第一部分开始，同时检查当前文本是否匹配，若是是，继续到表达式的下一部分，直到表达式所有都能匹配，整个匹配成功。表达式的第一个字符时t，它将在字符串中按顺序从左到右反复查找，直到找到一个t字符，若是找不到就宣告失败，若是找到，表达式下一个字符时o，继续在待匹配字符串中查找，开头两个都能匹配上，进入到由括号分组的一个选择分支中，匹配nite、knite或者night，它依次尝试这种三种可能。第一个分支尝试到nig时失败，第二个分支尝试到表达式中第一个n时失败，第三个分支刚好彻底匹配。以正则表达主导的引擎，就必须检查完表达式才能得出最终结论。

　　DFA：与NFA不一样，DFA在扫描字符串时，会记录当前有效的全部匹配可能，从最开始的t，它会在当前的匹配可能中添加一种可能，若是存在的话，一直扫描到字符串中的n时，它会记录两种可能，nite和night两处的n（它是从待匹配的字符串角度看表达式），继续扫描到i仍是nite和night两种可能，接着到g只剩下night一种可能了，当h和t匹配完成后，引擎发现扫描字符串已扫描结束，报告成功（貌似有点深度与广度的意味）。

　　因此，通常状况下文本主导的DFA引擎要更快一些，表达式主导的NFA必须检测完全部的模式，在没有抵达模式结束以前，不知道匹配的成功与否，即便前面某个表达式匹配成功了，说不定后面继续要对它检测一下，这可能会浪费不少时间。而DFA以字符串为主导，到一个地方顶多记录几种可能性，目标文本中的字符最多只会检测一次。

　　可是多选分支的顺序，对于不一样目标字符串的影响也很大，刚好符合的分支在前面，固然能更快找到。

　　因为NFA以表达式为主，表达式书写的不一样会产生很大的影响，也能让咱们更加灵活的控制它，也具备更多的可变性。这其中，对于NFA来讲（原本也是以php为主），有一个重要的特性：回溯---遇到须要从两个可能成功的匹配中选择时，先选择一种，并记住另一种，以做稍后可能的须要，这种情形主要出如今标准量词和多选分支（|）。

　　盗图一张：

　　从表达式（'/".*"!/'）出发，首先找到双引号A处，接着因为是点号匹配任意字符（默认不包括换行符，这儿不用考虑），再加上元字符*表示能够匹配多个，因为标准量词的匹配优先机理，它一会儿来到了字符串的结尾B处，由于在这之间*能够是0个、1个或多个，也就是说，这几种形式都是有可能匹配成功的，所以，引擎会记住这两种状态，即在一个位置可能匹配，也能够不匹配它，只要是*元字符通过的地方，从M到结尾都会记录。

　　等到结尾发现没有"，因而回溯，须要说明，引擎老是回溯到最近记录的状态（相似栈），一个个往前回溯，直到遇到一个双引号的地方（C），而后匹配匹配到双引号后面（D），发现不是感叹号!，失败，再次回溯（状态记录不为空），到E处又找到了一个双引号，与刚才状况相同，继续匹配（F）发现没有感叹号，失败，继续回溯到G，一样因为后边（H）不是感叹号，仍须要回溯，到I，这时记录的状态已经没有了，也没法继续回溯了，第一轮匹配失败了结，但还没完，引擎的传动装置继续从A处双引号的下一个位置开始继续寻找第一个符合条件的双引号，到J，而后相似上一轮的过程继续上演。最终也没找到 "..."! 这样的字符串，过程却很曲折。

　　从上面的例子能够看出：一是 .*  这种形式的效率很是低，尤为在失败的时候（固然日常咱们那几行代码几乎忽略不计），并且很容易出错，好比用 /".*/" 匹配一对双引号包围的字符串来匹配 ab"cde"fgh""ijk"lmn，最终的结果是"cde"fgh""ijk"，最开始的双引号和最末尾的双引号中间的所有内容；二是若是有相似 ((...)*)*、((...)+)*之类的，外面里面同时记录不定状态的，回溯次数呈指数级上升，甚至造成死循环，更加耗时。固然对于改进状态的引擎提早检测这种情况，并报告错误，如同浏览器在本身跳转本身的页面那样报错。

 　　所以在用到量词时，好比+，它能够匹配一个到多个，大于一个时，不是必须的，有两种选择状态，能够有也能够没有，这两种状态就是往后可能会在回溯中用到的状态，称为备用状态，?也是如此。

　　对于匹配双引号及之间的字符，中间不包括转义后的双引号的状况，咱们可使用忽略优先，'/".*?"/' ，忽略优先按量词的最小限度匹配， *最小是没有，至关于先检测空串，没有先匹配一个字符立刻检测双引号，这在必定只要检测到右边有一个双引号匹配即成功结束，它匹配上图中的 "McDonald's"也省去了不少回溯。

　　固然，对于这种须要检测两个字符间的其余字符，还有一种办法，如 '/"[^"]"/'，排除型字符组，它也达到了相同的需求，但状况不老是这样。

　　好比，匹配<b>与</b>之间的字符，使用 '/<b>[^<\/b>]*<\/b>/' ？注意字符组一次只能匹配一个字符，这里是匹配在<b>和</b>之间的，非<、/、b、>的任意一个字符，字符组不能把里边的字符当一个总体，对于总体、多个字符的检测，能够选择环视。环视与位置相关，生来就是限定周围的字符，一个或多个都可。这里须要否认型环视，由于咱们须要的不能是</b>的字符，为了好看中间隔开。

    '/<b>(   (?!<\/b>) . )*<\/b>/'   // 否认型环视

　　可是上面仍能匹配"<b>abc<b>def</b>"，因此还要在其之间排除<b>，中间环视检测</?b>，/能够有或没有都行

    '/<b> ( (?! <\/? b >) . )* <\/b>/'

 　　上一篇写到了“交还”，在回溯过程当中就伴随着交还，如上面的'/".*"!/'，因发现双引号后面不是感叹号，而不得不回溯，此时选择另外一种备用状态---不匹配刚才匹配到的字符，进行回退，是一个明显的交还。例子：

    $pattern_1 = '/(\w+)(\d?)/';
    $pattern_2 = '/(\w+)(\d+)/';
    $pattern_3 = '/(\w+)(\d*)/';
    $subject = 'abc12345';
    preg_match($pattern_1, $subject, $match_1);
    preg_match($pattern_2, $subject, $match_2);
    preg_match($pattern_3, $subject, $match_3);
    echo 'match=><pre>';
    var_dump($match_1, $match_2, $match_3);

　　使用捕获型括号，分组，引擎记住两个括号中匹配的文本。结果以下：

　　　　

　　从上到下依次为$match_一、$match_二、$match_3，因为\w与\d有公共部分，并且两个量词都是匹配优先，从结果来看，前一个+量词匹配得最多（键值为1的项），pattern_1中，\d?没有匹配，pattern_2中，\d+只匹配了一个，pattern_3中，\d*没有匹配，而它们讷的过程都相似于，先让\w+匹配到末尾，而后引擎看剩余的模式，\d?无关紧要，那就无，由于无正则匹配也是成功，不交还。\d+必须匹配一个，不然将致使匹配失败，这里它会交还一个，由于它必须服从使得全局匹配的成功。对于\d*也是如此，能够不匹配，不交还。

　　假如这里的pattern是'/(\w+)(\d\d)/'，那么它就必须交还两个数字，若是没有交还或是带匹配字符串中没有，就只能报告失败。因此有两个规律：

　　1. 先来先服务原则，匹配优先的量词在前，先尽可能知足本身；

　　2. 必须服从全局匹配结果，有形成失败的可能，引擎会强迫匹配优先量词交还，不然整个匹配失败。

　　若是不交还呢？就会提早报告失败。必须谈到占有优先量词和固化分组，以+为例形式是 \w++、 (?>\w+)

    $pattern = '/\w+:/';
    $subject = 'abcdefghijk';

　　如例，咱们人固然能一眼看出来，字符串结尾没有冒号确定失败，可是程序不会这样，它会一轮又一轮的匹配-回溯，由于它记住了一些可选择性的状态，但如今咱们已经明确知道了这些状态是没用的，回溯也是白费力气，回溯前就已经失败了。因此能够 \w++: 或者 (?>\w+): ，有了占有优先或者固化分组，这些可选择性的状态都会被抛弃，\w+一直匹配到字符串结尾，单词没了，而后检测冒号存不存在，冒号不存在，可是如今有没有可供回溯的状态，当即报告失败，若是是几十万行的文本会节省不少时间。

　　须要注意的是，固话分组或是占有优先对嵌套在里面的量词也是有做用的，这点跟?:只分组不捕获不一样

    (?>   (\d+)+  )    // 里面的\d+的状态也会被抛弃
    (?: abc (\d\d) )   // 外层的括号不会被捕获，但里面的括号不受影响，\1仍记录着数字字符

 　　最后记录下选择分支的一个坑，例

    $pattern = '/cat/';
    $subject = 'indicate big cat';

　　cat固然会匹配indicate中间的cat，由于它在前面。再看这个

    $pattern = 'fat|cat|belly|your';
    $subject = 'The dragging belly indicates that your cat is too fat';

　　NFA以表达式为主导，从表达式的角度看字符串，所以先检测到的是fat，结果是fat吗？结果还是cat！因此NFA的引擎始终优先匹配选择分支选择最左端的匹配结果，哪怕它位于选择分支的后边。

　　这也说明，NFA引擎的正则，只要表达式中还存在可能的多选分支，正则引擎会回溯到存在还没有尝试的多选分支的地方，这个过程不断重复，直到完成全局匹配，若是不是这样，上例中fat先匹配成功就已经做为结果返回了。多选状态不是匹配优先，也不是忽略优先，可是尝试是从左到右。而对于DFA和某些POSIX NFA，匹配的不是最靠字符串左端的文本，而是选择分支中最长的分支。

　　正则的细节太多，扯不清楚，仍是得看书理解，尤为是对于正则的调校，以及某些经常使用的判断技巧，好比匹配" "包围的字符串，中间能够有\"和其余转义序列，仍是很麻烦的，推荐《精通正则表达式》，中文翻译挺棒，读起来也不生硬，并且还有不少技巧性的东西，好比“消除循环”是一大利器。end