正则表达式语法&优化
2019-07-26 本文已影响0人
jerry_15cc
简单备忘正则表达式的原理、基本使用方法，和一些常见的优化方法。目的看懂网上摘抄的正则表达式，避免使用效率过低的正则。
原理
正则文法分为确定型有限状态自动机(DFA)和非确定型优先状态自动机(NFA)，两种正则匹配算法能力相同，效率有区别。
- NFA 表达式主导
从表达式的第一部分开始，每次检查一部分，同时检查当前文本是否匹配，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。整个过程，控制权在表达式的元素之间转换，因此被称为表达式主导"。 - 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。被扫描的字符串控制了引擎执行过程。
构造DFA会消耗更多的时间和内存。但是DFA构造好了以后执行效率更理想。NFA在匹配的过程中，存在大量的分支和回溯。Java、JavaScript等语言使用NFA，MySQL使用DFA。
语法
- 元字符
| 字符 | 说明 |
|---|---|
| . | 除换行符外所有字符 |
| \w | 字母、数字、下划线、汉字 |
| \d | 数字 |
| \s | 空白符 |
| \b | 匹配单词 |
| ^ | 字符串开始 |
| $ | 字符串尾 |
- 量词
| 语法 | 说明 |
|---|---|
| * | 重复零次或更多次 |
| + | 重复一次或更多次 |
| ? | 重复零次或一次 |
| {n} | 重复n次 |
| {n,} | 重复n次或更多次 |
| {n,m} | 重复n到m次 |
- 分组，反向引用
- 使用
()进行分组匹配 - 使用
\1\2按顺序反向引用分组内容 - 使用
(?<name>exp)捕获到名称为name的分组 - 使用
(?:exp)匹配exp，不捕获匹配分组，也不分配组号
- 匹配量词
在正则表达式次数限定符后增加该量词，可以指定匹配规则。
| 名称 | 方法 | 说明 |
|---|---|---|
| Greedy：贪婪 | 默认 | 匹配最长。在贪婪量词模式下，正则表达式会尽可能长地去匹配符合规则的字符串，且会回溯。 |
| Reluctant ：非贪婪，懒惰 | ? | 匹配最短。在非贪婪量词模式下，正则表达式会匹配尽可能短的字符串。 |
| Possessive ：独占 | + | 同贪婪一样匹配最长。不过在独占量词模式下，正则表达式尽可能长地去匹配字符串，一旦匹配不成功就会结束匹配而不会回溯。 |
- 其他
- 使用
\进行转义 - 使用
|表示或 - 使用
[]表示区间条件
优化
- 合理使用括号
当要捕获组的时候，使用非捕获型括号(?:)，这是写策略正则最常用的优化方法，因为使用(?:)可以匹配想要的内容，但不捕获到组里，可以节省资源，提高效率。 - 尽量使用非贪婪模式
尽量使用非贪婪模式，因为贪婪模式情况下，容易造成回溯。 - 使用字符组代替分支条件
使用[a-d]表示a~d之间的字母，而不是使用(a|b|c|d) - 谨慎用点号元字符，尽可能不用星号和加号这样的任意量词
例子： 要匹配 <12345>，其中<>中间是1-5位的数字
正常写法： <\d*>
优化写法： <\d{1,5}> - 使用占有优先量词和固化分组
占有优先量词：?+ *+ ++ {m,n}+
占有优先量词与匹配优先量词很相似，只是它们从来不会交还已经匹配的字符。
固化分组：(?>exp)
固化分组的内容与正常的匹配并无区别，只是当匹配完括号中的内容后，括号中的备用状态会全部舍去。
