1       为什么要了解引擎匹配原理

一个个音符杂乱无章的组合在一起，弹奏出的或许就是噪音，同样的音符经过作曲家的手，就可以谱出非常动听的乐曲，一个演奏者同样可以照着乐谱奏出动听的乐曲，但他/她或许不知道该如何去改变音符的组合，使得乐曲更动听。 作为正则的使用者也一样，不懂正则引擎原理的情况下，同样可以写出满足需求的正则，但是不知道原理，却很难写出高效且没有隐患的正则。所以对于经常使用正则，或是有兴趣深入学习正则的人，还是有必要了解一下正则引擎的匹配原理的。

2       正则表达式引擎

正则引擎大体上可分为不同的两类：DFA和NFA，而NFA又基本上可以分为传统型NFA和POSIX NFA。 DFA Deterministic finite automaton 确定型有穷自动机 NFA Non-deterministic finite automaton　非确定型有穷自动机 Traditional NFA POSIX NFA DFA引擎因为不需要回溯，所以匹配快速，但不支持捕获组，所以也就不支持反向引用和$number这种引用方式，目前使用DFA引擎的语言和工具主要有awk、egrep 和 lex。 POSIX NFA主要指符合POSIX标准的NFA引擎，它的特点主要是提供longest-leftmost匹配，也就是在找到最左侧最长匹配之前，它将继续回溯。同DFA一样，非贪婪模式或者说忽略优先量词对于POSIX NFA同样是没有意义的。 大多数语言和工具使用的是传统型的NFA引擎，它有一些DFA不支持的特性： 　　捕获组、反向引用和$number引用方式； 　　环视(Lookaround，(?<=…)、(?<!…)、(?=…)、(?!…))，或者有的有文章叫做预搜索； 　　忽略优化量词（??、*?、+?、{m,n}?、{m,}?），或者有的文章叫做非贪婪模式； 　　占有优先量词（?+、*+、++、{m,n}+、{m,}+，目前仅Java和PCRE支持），固化分组(?>…)。 引擎间的区别不是本文的重点，仅做简要的介绍，有兴趣的可参考相关文献。

3       预备知识

[h1]3.1     字符串组成[/h1] [img]http://files.jb51.net/upload/20090724155837175.jpg[/img] 对于字符串“[b]abc[/b]”而言，包括三个字符和四个位置。 [h1]3.2     占有字符和零宽度[/h1] 正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；如果子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。 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。 [h1]3.3     控制权和传动[/h1] 正则的匹配过程，通常情况下都是由一个子表达式（可能为一个普通字符、元字符或元字符序列组成）取得控制权，从字符串的某一位置开始尝试匹配，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。如正则表达式： [b]([/b][b]子表达式一)(子表达式二)[/b] 假设[b](子表达式一)[/b]为零宽度表达式，由于它匹配开始和结束的位置是同一个，如位置0，那么[b](子表达式二)[/b]是从位置0开始尝试匹配的。 假设[b](子表达式一)[/b]为占有字符的表达式，由于它匹配开始和结束的位置不是同一个，如匹配成功开始于位置0，结束于位置2，那么[b](子表达式二)[/b]是从位置2开始尝试匹配的。 而对于整个表达式来说，通常是由字符串位置0开始尝试匹配的。如果在位置0开始的尝试，匹配到字符串某一位置时整个表达式匹配失败，那么引擎会使正则向前传动，整个表达式从位置1开始重新尝试匹配，依此类推，直到报告匹配成功或尝试到最后一个位置后报告匹配失败。

4       正则表达式简单匹本过程

[h1]4.1     基础匹配过程[/h1]   [img]http://files.jb51.net/upload/20090724155839624.jpg[/img] 源字符串：[b]abc[/b] 正则表达式：[b]abc[/b] 匹配过程： 首先由字符“[b]a[/b]”取得控制权，从位置0开始匹配，由“[b]a[/b]”来匹配“[b]a[/b]”，匹配成功，控制权交给字符“[b]b[/b]”；由于“[b]a[/b]”已被“[b]a[/b]”匹配，所以“[b]b[/b]”从位置1开始尝试匹配，由“[b]b[/b]”来匹配“[b]b[/b]”，匹配成功，控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]c[/b]”，匹配成功。 此时正则表达式匹配完成，报告匹配成功。匹配结果为“[b]abc[/b]”，开始位置为0，结束位置为3。   [h1]4.2     含有匹配优先量词的匹配过程——匹配成功（一）[/h1] [img]http://files.jb51.net/upload/20090724155839877.jpg[/img] 源字符串：[b]abc[/b] 正则表达式：[b]ab?c[/b] 量词“[b]?[/b]”属于匹配优先量词，在可匹配可不匹配时，会先选择尝试匹配，只有这种选择会使整个表达式无法匹配成功时，才会尝试让出匹配到的内容。这里的量词“[b]?[/b]”是用来修饰字符“[b]b[/b]”的，所以“[b]b?[/b]”是一个整体。 匹配过程： 首先由字符“[b]a[/b]”取得控制权，从位置0开始匹配，由“[b]a[/b]”来匹配“[b]a[/b]”，匹配成功，控制权交给字符“[b]b?[/b]”；由于“[b]?[/b]”是匹配优先量词，所以会先尝试进行匹配，由“[b]b?[/b]”来匹配“[b]b[/b]”，匹配成功，控制权交给“[b]c[/b]”，同时记录一个备选状态；由“[b]c[/b]”来匹配“[b]c[/b]”，匹配成功。记录的备选状态丢弃。 此时正则表达式匹配完成，报告匹配成功。匹配结果为“[b]abc[/b]”，开始位置为0，结束位置为3。 [h1]4.3     含有匹配优先量词的匹配过程——匹配成功（二）[/h1] [img]http://files.jb51.net/upload/20090724155839784.jpg[/img] 源字符串：[b]ac[/b] 正则表达式：[b]ab?c[/b] 匹配过程： 首先由字符“[b]a[/b]”取得控制权，从位置0开始匹配，由“[b]a[/b]”来匹配“[b]a[/b]”，匹配成功，控制权交给字符“[b]b?[/b]”；先尝试进行匹配，由“[b]b?[/b]”来匹配“[b]c[/b]”，同时记录一个备选状态，匹配失败，此时进行回溯，找到备选状态，“[b]b?[/b]”忽略匹配，让出控制权，把控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]c[/b]”，匹配成功。 此时正则表达式匹配完成，报告匹配成功。匹配结果为“[b]ac[/b]”，开始位置为0，结束位置为2。其中“[b]b?[/b]”不匹配任何内容。 [h1]4.4     含有匹配优先量词的匹配过程——匹配失败[/h1] [img]http://files.jb51.net/upload/20090724155839224.jpg[/img] 源字符串：[b]abd[/b] 正则表达式：[b]ab?c[/b] 匹配过程： 首先由字符“[b]a[/b]”取得控制权，从位置0开始匹配，由“[b]a[/b]”来匹配“[b]a[/b]”，匹配成功，控制权交给字符“[b]b?[/b]”；先尝试进行匹配，由“[b]b?[/b]”来匹配“[b]b[/b]”，同时记录一个备选状态，匹配成功，控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]d[/b]”，匹配失败，此时进行回溯，找到记录的备选状态，“[b]b?[/b]”忽略匹配，即“[b]b?[/b]”不匹配“[b]b[/b]”，让出控制权，把控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]b[/b]”，匹配失败。此时第一轮匹配尝试失败。 正则引擎使正则向前传动，由位置1开始尝试匹配，由“[b]a[/b]”来匹配“[b]b[/b]”，匹配失败，没有备选状态，第二轮匹配尝试失败。 继续向前传动，直到在位置3尝试匹配失败，匹配结束。此时报告整个表达式匹配失败。 [h1]4.5     含有忽略优先量词的匹配过程——匹配成功[/h1] [img]http://files.jb51.net/upload/20090724155839505.jpg[/img] 源字符串：[b]abc[/b] 正则表达式：[b]ab??c[/b] 量词“[b]??[/b]”属于忽略优先量词，在可匹配可不匹配时，会先选择不匹配，只有这种选择会使整个表达式无法匹配成功时，才会尝试进行匹配。这里的量词“[b]??[/b]”是用来修饰字符“[b]b[/b]”的，所以“[b]b??[/b]”是一个整体。 匹配过程： 首先由字符“[b]a[/b]”取得控制权，从位置0开始匹配，由“[b]a[/b]”来匹配“[b]a[/b]”，匹配成功，控制权交给字符“[b]b??[/b]”；先尝试忽略匹配，即“[b]b??[/b]”不进行匹配，同时记录一个备选状态，控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]b[/b]”，匹配失败，此时进行回溯，找到记录的备选状态，“[b]b??[/b]”尝试匹配，即“[b]b??[/b]”来匹配“[b]b[/b]”，匹配成功，把控制权交给“[b]c[/b]”；由“[b]c[/b]”来匹配“[b]c[/b]”，匹配成功。 此时正则表达式匹配完成，报告匹配成功。匹配结果为“[b]abc[/b]”，开始位置为0，结束位置为3。其中“[b]b??[/b]”匹配字符“[b]b[/b]”。 [h1]4.6     零宽度匹配过程[/h1] [img]http://files.jb51.net/upload/20090724155839409.jpg[/img] 源字符串：[b]a12[/b] 正则表达式：[b]^[/b][b](?=[a-z])[/b][b][a-z0-9]+[/b][b]$ [/b] 元字符“[b]^[/b]”和“[b]$[/b]”匹配的只是位置，顺序环视“[b](?=[a-z])[/b]”只进行匹配，并不占有字符，也不将匹配的内容保存到最终的匹配结果，所以都是零宽度的。 这个正则的意义就是匹配由字母和数字组成的，第一个字符是字母的字符串。 匹配过程： 首先由元字符“[b]^[/b]”取得控制权，从位置0开始匹配，“[b]^[/b]”匹配的就是开始位置“[b]位置0[/b]”，匹配成功，控制权交给顺序环视“[b](?=[a-z])[/b]”； “[b](?=[a-z])[/b]”要求它所在位置右侧必须是字母才能匹配成功，零宽度的子表达式之间是不互斥的，即同一个位置可以同时由多个零宽度子表达式匹配，所以它也是从位置0尝试进行匹配，位置0的右侧是字符“[b]a[/b]”，符合要求，匹配成功，控制权交给“[b][a-z0-9]+[/b]”； 因为“[b](?=[a-z])[/b]”只进行匹配，并不将匹配到的内容保存到最后结果，并且“[b](?=[a-z])[/b]”匹配成功的位置是位置0，所以“[b][a-z0-9]+[/b]”也是从位置0开始尝试匹配的，“[b][a-z0-9]+[/b]”首先尝试匹配“[b]a[/b]”，匹配成功，继续尝试匹配，可以成功匹配接下来的“[b]1[/b]”和“[b]2[/b]”，此时已经匹配到位置3，位置3的右侧已没有字符，这时会把控制权交给“[b]$[/b]”； 元字符“[b]$[/b]”从位置3开始尝试匹配，它匹配的是结束位置，也就是“[b]位置3[/b]”，匹配成功。 此时正则表达式匹配完成，报告匹配成功。匹配结果为“[b]a12[/b]”，开始位置为0，结束位置为3。其中“[b]^[/b]”匹配位置0，“[b](?=[a-z])[/b]”匹配位置0，“[b][a-z0-9]+[/b]”匹配字符串“[b]a12[/b]”，“[b]$[/b]”匹配位置3。