zoukankan      html  css  js  c++  java
  • 深入入门正则表达式(java) 匹配原理 2 回溯

    回溯(backtracking)

    NFA引擎最重要的性质是:它会一次处理各个子表达式或组成元素,遇到需要在两个可能成功的可能中进行选择的时候,它会选择其一,同时记住其他结果,以备后续需要

    需要做出选择的情形包括 量词(决定是否尝试另一次匹配)和多选结构(决定选择哪个多选分支)

    两个要点:

    1.如果需要在“进行尝试”和“跳过尝试”之间选择,对于匹配优先量词来说,引擎会优先选择“进行尝试”,对于忽略优先量词来说,会选择“跳过尝试”

    2.距离当前最近存储的选项就是当本地失败强制回溯返回的。使用的原则是LIFO(last in first out,后进先出)。



    实际上,NFA搜索的过程算法就是深度优先(关于深度优先介绍见文章末尾,内容来自中文维机百科),只不过并不一定完全遍历,完成匹配之后就停止搜索了。下面我举几个简单的例子,画图来描述一下。

    例,假如我们要匹配一串数字中的最后两位,目标字符串“3456”,正则“\d+(\d\d)”,下面是一个流程示意图:


    匹配过程比较简单,首先\d+匹配3、4、5、6,其中绿色的圆圈是\d+的备用位置。

    \d+继续尝试匹配,发现没有字符了,所以它的匹配结束,把控制权交给了\d,然而\d也无法匹配,所以需要进行回溯。



    正则回到第二个绿色圆圈那里,然后控制权交给\d。现在\d可以匹配到数字6了,匹配结束,控制权交给\d,发现没有字符留给它,所以还需要回溯。

    正则回到第一个绿色圆圈那里,然后控制权交给\d。现在\d可以匹配到数字5了,匹配结束,控制权交给\d,匹配到了数字6,匹配结束,至此整个表达式完成了匹配。

    (这里红色的圆圈表示交换控制权,这样方便理解。只有在绿色圆圈处才可能产生新的分支,其余地方,如果匹配失败,只需要原路返回到绿色圆圈处即可,然后尝试量词和多选结构的备用状态)



    环视中的回溯

    如果环视结构的匹配尝试结束,那么它就不会留下任何备用状态。如果匹配成功,它会放弃剩余的备用状态;如果匹配失败,则继续尝试匹配,直到所有备用状态用光,所以也不会留下备用状态。

    环视中,是有可能放弃备用状态的,下面要介绍的固化分组和占有优先量词也会具有这样的性质。





    下面有一条显而易见,但是又容易让大家忽略的事实。

    无论是匹配优先还是忽略优先,只要引擎报告匹配失败,它就必然尝试了所有可能。

    所以,如果有太多的回溯的可能,那么可能会使得你的程序阻塞,在android里面会产生ANR。之后会给出能阻塞程序的例子。

    (对于传统NFA来说,选择结构是按顺序的,并不是匹配优先也不是忽略优先)



    固化分组与占有优先量词

    (?>...) :固化分组

    “?+”、“*+”、“++”、“{m,n}+” :占有优先量词



    固化分组

    对于“(?>...)” 中的内容部分(省略号省略的部分)来说,与之前将过的匹配规则一致,没有什么区别,但是,当此部分表达式匹配完毕,开始匹配括号外面的部分时,括号内的所有备用状态都会被放弃,也就是说,如果之后的匹配失败,也不会回退固化分组之前记录的状态(因为出了固化分组后,它就忘了之前的状态了,这哥们记性不是很好)。



    固化分组和环视都有放弃备用状态的特点,我们可以考虑使用肯定环视来模拟固化分组。

    对于“(?>regex)” ,我们希望匹配了regex之后就放弃其备用状态,我们知道“(?=regex)”匹配结束之后会放弃其备选状态,那么可以使用“(?=(?:regex))\1”,这样会比真正的固化分组慢一些,因为还要重新匹配“\1”。



    下面给出一个简单的例子:目标字符串“abc”,正则“(?=\w+)\1”

    首先\w+会匹配abc,匹配完成后放弃其所有备选状态,把控制权交给“\1”。“\1”再次重新匹配abc。

    如果正则改为:“(?=\w+)\1c”

    我想让\w+匹配到“ab”,这样“\1”就匹配到了“ab”,“c”对应“c”,匹配成功。但是,结果并不是这样的!

    和上面的匹配过程一样:首先\w+会匹配abc,匹配完成后放弃其所有备选状态,把控制权交给“\1”。“\1”再次重新匹配abc。然后把控制权交给“c”,发现匹配失败,没有备用状态,整体匹配就失败了。有的同学可能会想,如果我让正则回溯到环视之前呢?其实也是一样的,当把控制权交给环视的时候,“\w+”依然直接匹配“abc”,后面大家都知道了,然后再次回溯……

    所以当“c”无法匹配字符时,没有必要进行回溯,可以直接宣告匹配失败。



    下面看看这个正则表达式:“(?>.*?)”

    如果上面的内容理解了,那么这个正则也不难了,它永远也匹配不到任何字符。

  • 相关阅读:
    Spring 发生 has not been refreshed yet 异常
    rsyslog config
    grok
    阿里云态势
    Unity的asm笔记
    Unity2020或Unity2019安装后无法启动
    rider代码折叠
    使用rider调试lua
    MacType更好的字体渲染
    Unity字体和画面花屏处理
  • 原文地址:https://www.cnblogs.com/bjanzhuo/p/3575948.html
Copyright © 2011-2022 走看看