以JavaScript正则为例
Author:tuiye@126.com
正则表达式可以用来:
(1)验证字符串是否符合指定特征,比如验证是否是合法的邮件地址。
(2)用来查找字符串,从一个长的文本中查找符合指定特征的字符串,比查找固定字符串更加灵活方便。
(3)用来替换,比普通的替换更强大。
对于一个正则表达式一般有2种方式,以JS为例
其一为使用正则表达式文字常量:
var re = /^[Jj]ava[Ss]cript/i;
其二为使用RegExp构造函数:
var re = new RegExp(“^[Jj]ava[Ss]cript”,”i”);
而一个正则表达式解释器主要有3部分组成,分别是解析(parse)、编译(compile)与执行(execute)。
1 解析
正则的表达式的词法与语法比较简单,基本语法如下:
A)普通字符和元字符
普通字符是那些表示自身的字符,例如从a到z,A到Z,0到9等;
元字符具有特殊意义,如‘.’,表示除了‘/n’外的所有字符,其他具有此功能的有
表1 元字符
元字符 |
特殊意义 |
^ |
匹配输入字符串的开始位置。要匹配 "^" 字符本身,请使用 "/^" |
$ |
匹配输入字符串的结尾位置。要匹配 "$" 字符本身,请使用 "/$" |
. |
匹配除了换行符(/n)以外的任意一个字符。要匹配小数点本身,请使用 "/." |
* |
修饰匹配次数为 0 次或任意次。要匹配 "*" 字符本身,请使用 "/*" |
+ |
修饰匹配次数为至少 1 次。要匹配 “+” 字符本身,请使用 “/+” |
? |
修饰匹配次数为 0 次或 1 次。要匹配 “?” 字符本身,请使用 “/?” |
= |
用于前向引用或向后引用 |
! |
用于前向引用或向后引用 |
: |
用于前向引用或向后引用 |
| |
用于前向引用或向后引用 |
/ |
转义用 |
/ |
用于前向引用或向后引用 |
() |
标记一个子表达式的开始和结束位置。要匹配小括号,请使用 “/(“ 和 “/)” |
[] |
用来自定义能够匹配 ‘多种字符’ 的表达式。要匹配中括号,请使用 “/[“ 和 “/]” |
{} |
修饰匹配次数的符号。要匹配大括号,请使用 “/{“ 和 “/}” |
元数据如要表示自身,那么需要用’/’来辅助转义
B)字符类
单个的字符可以组成字符类,其语法为用’[’与’]’组成,例如[abcA-Z79]表示可以匹配a,b,c与A到Z,7,9的字符
其中’-’为连字符,表示字符的跨度。
‘^’在”[]”间也是特殊字符,表示取反
其他的特殊字符如下表:
表2 字符类中的预定义字符类
预定义字符类 |
特殊意义 |
^ |
在紧跟’[’表示取反,表示自身要转义 |
- |
在字符间,表示连字符,如要表示自身,须紧接在’[’或’[^’之后 |
. |
小数点可以匹配除了换行符(/n)以外的任意一个字符 |
/d |
可以匹配任何一个 0~9 数字字符 |
/D |
D大写,可以匹配任何一个非数字字符 |
/s |
可以匹配空格、制表符、换页符等空白字符的其中任意一个 |
/S |
S大写,可以匹配任何一个空白字符以外的字符 |
/w |
可以匹配任何一个字母或者数字或者下划线 |
/W |
W大写,可以匹配任何一个字母或者数字或者下划线以外的字符 |
JavaScript无POSIX格式
C)限定符(重复)
限定符有2种形式,分别为’*’,’+’,’?’与’ {’与’}’来表示
表3 限定符
限定符 |
特殊意义 |
* |
表达式尽可能的多匹配,最少可以不匹配,相当于 {0, } |
+ |
表达式尽可能的多匹配,至少匹配1次,相当于 {1, } |
? |
表达式尽可能匹配1次,也可以不匹配,相当于 {0, 1} |
{m,n} |
表达式尽可能重复n次,至少重复m次:"ba{1,3}"可以匹配 "ba"或"baa"或"baaa" |
{m} |
表达式固定重m次,比如:"/w{2}" 相当于 "/w/w" |
{m,} |
表达式尽可能的多匹配,至少重复m次:"/w/d{2,}"可以匹配 "a12","x456"... |
在正则中有贪婪与非贪婪之分,默认的情况下,正则是贪婪的
如果要把正则设置为非贪婪有2种方式,一种为设置在原先的限定符加上’?’就行,另一种在设置
举例说明,/.+/ 将匹配"abdddd"中的所有字符,/.+?/ 只将匹配"abdddd"中的第一个a,也就是默认的尽可能多的匹配字符,而非贪婪重复则尽可能上的匹配。
D)选择、分组和引用
选择的语法就是设置’|’,如a|bc,那么要么a或bc都可以匹配,如果(a|b)c则为匹配ac或bc。
如果我们在上例中设置了”()”,那么这就是分组,每个分组都可以被引用,如(a|b)c*(e|f)/1/2,/1与/2就是引用的语法,/1表示引用了(a|b),/2表示引用(e|f),以此类推。
这里要说明的是(a|b)c*(e|f)/1/2与(a|b)c*(e|f)(a|b)(e|f)乍一看两者等同,但实际上,前一个不可以匹配acebf,而后一个可以。究其原因就是引用处的配平必须与被引用处一致,此例中与之匹配的可以是aceac。
E)定位符(锚)和前向引用
定位符如下表所示
表4 定位符
限定符 |
特殊意义 |
^ |
匹配输入字符串的开始位置。要匹配 "^" 字符本身 |
$ |
匹配输入字符串的结尾位置。要匹配 "$" 字符本身 |
? |
表达式尽可能匹配1次,也可以不匹配,相当于 {0, 1} |
/b |
匹配单词边界,例如一个/w和/W的位置,或者一个/w与字符串的开始和结尾的位置 |
/B |
和上面的想法,匹配一个非单词边界 |
如果正则表达式的匹配模式为 MULTILINE 模式,^ 可匹配一行文本的行首,$ 可匹配一行文本的行末。当 /b 被包含于字符集合中时,/b 代表退格符(ASCII码 = 8)。
除了这些预定义的定位符,还可以自定义定位符,这种类型的定位符叫做前向引用(look-ahead anchor)和后向引用(look-behind anchor,JavaScript不支持)。
前向引用使用(?=…)表示正的前向引用,(?!…)表示负的前向引用下面是一个前向引用的例子 /Java(?!Script)([A-Z]/w*)/ 其中(?!Script)匹配后面不跟Script的位置,而(?=Script)匹配后面是Script的位置。
以上讲解了JavaScript的语法规则,下面我们来论述一下解析的过程。
解析的过程是语法分析(Lexical Analysis)与词法分析(Grammar Analysis)。
2 编译
编译(Compile)阶段,主要的工作就是生成字节流(Emit Byte Code)。而生成Byte Code的算法(规则)JS中就是NFA。生成的Byte Code是归于执行(Execute)时做匹配利用。各个状态即为正则中的语义(OPCODE)的表示,各个OPCODE以一定的格式与关系住成了状态机,JS中是组成NFA的状态机。
下面介绍下在流行的两种算法NFA(Nondeterministic Finite Automaton)与DFA(Deterministic Finite automaton),Perl,Python,JS等都是NFA的,而awk与grep等用的是DFA,两种算法的具体实现如下:
1)有限状态机(Finite Automation)
状态机是一个有一组不同状态的集合的系统。有一个特殊状态――它描述了系统的初始状态。而其他的一个或多个状态为终止状态;当一个事件将我们带到这样的一些状态时,状态机将退出。状态是与转换相关联的,每个转换都标注有输入事件的名称。当事件发生时,我们将随着相关的转换从当前状态移动到新的状态。
一个有限状态机包含一组状态集(states)、一个起始状态(start state)、一组输入符号集(alphabet)、一个映射输入符号和当前状态到下一状态的转换函数(transition function)的计算模型。当输入符号串,模型随即进入起始状态。它要改变到新的状态,依赖于转换函数。
假定一个输入符号(symbol),可以得到2个或者2个以上的可能状态,那么这个finite automaton就是不确定的,反之就是确定的。
一个正则可以与一个FA等同,其转化的规律如下
对于单个字符的
两个状态的连接e1e2
对于e?
对于e1|e2
对于e*
对于e+
2)不确定有限状态机(NFA)
例如要匹配abab|abbb,其NFA的状态是
3)确定性有限状态机(DFA)
以上例子的DFA如下
其中s1-s10为各个的状态对应于NFA中的s1-s10
3 执行
1)NFA
那么一个abbb字符串的匹配过程如下:
一个更加高效的方式是同步匹配两者:
这里我们看到,是利用正则表达式来扫描要匹配的字符串,又由于此时是不确定状态机,所以利用试探与backing的方式来做匹配的。NFA是由正则来做驱动匹配的。这就像一个过程语言,控制了解析器在匹配中的try/fail。
2)DFA
而确定性状态机相反,由于对于相应的输入都有一定的状态的迁移,所以总的来说,DFA的匹配效率要高一些。DFA是由字符串作驱动来匹配的,在每个字符串中的每个字符只被扫描一次。这种方式就是尝试此状态时可能的每种输入同时进行匹配。
4 实践
见JS 1.6与PCRE7.2
1)JS1.6
以 /.*ht*p{0,3}/ 为例来说明JS1.6与PCRE7.2的NFA组成
JS1.6中,基本上以一个字符(广义上的字符,比如/n我们认为是回车字符)以一个节点建立RENode。比如例子中,我们建立了7个RENode,依次为’.’,’*’,’h’,’t’,’*’,’p’,” {0, 3}”。其中’h’,’t’,’p’分别为REOP_FLAT,而’*’,”{0,3}”为REOP_QUANT(RE_STAR)。
建立的节点的同时,会调整节点间的关系,主要是ProcessOp()这个函数,调整的关系为两种:一种是OP_CONCAT(连接),另一种为OP_ALT(选择)。OP_CONCAT是指两个OP_FLAT的RENode节点,例如’h’与’t’是紧挨的,那么我们把他们处理成“连接”关系。“连接”关系一种顺序关系。至于OP_ALT,则额外建立一个OP_ALT节点把两则建立起选择的关系。例如a|b,那么,建立OP_ALT节点,把节点’a’与’b’与节点OP_ALT建立选择关系。
解析后RENode节点顺序如下图
* |
0 |
4 |
. |
ENDCHILD |
FLAT |
h |
* |
0 |
5 |
FLAT |
t |
END CHILD |
QUANT |
0 |
3 |
0 |
5 |
FLAT1 |
P |
END |
即
JS1.6中编译的过程就为生成NFA的过程,主要是调整生成OP_ALT,OP_BACKREF,OP_STAR等跳转关系
编译后,生成NFA
(注:此例中上下行为父子关系)
REOP_STAR |
REOP_FLAT1 |
REOP_STAR |
REOP_QUANT |
REOP_DOT ’.’ |
‘h’ |
REOP_FLAT ’t’ |
REOP_FLAT ‘p’ |
即
执行(匹配)的过程,我们以匹配字符串”xhtttpps”
匹配中的OPCODE |
匹配中的匹配位置与状态 |
成功与否 |
Start(保存,MatchBack用) |
|x h t t t p p s |
|
| |
|x h t t t p p s |
|
.* |
<x h t t t p p s |
True |
.* |
x h t t t p p s |
True |
… |
… |
… |
.* |
<x h t t t p p s| |
False |
h |
<x h t t t p p s| |
False |
… |
… |
… |
h |
<x h |t t t p p s |
False(则回朔) |
h |
<x |h t t t p p s |
True |
t |
<x h |t t t p p s |
True |
… |
… |
… |
t |
<x h t t t |p p s |
False(则回朔) |
p |
<x h t t t |p p s |
True |
p |
<x h t t t p |p s |
True |
Done |
<x h t t t p p> s |
True |
注:其中’|’代表匹配所在的位置,’<’代表匹配成功开始,’>’代表匹配成功结束。
所以上述正则可匹配上述字符串中的”xhtttpp”
2)PCRE7.2
以/ht*p{0,2}/为例
PCRE的解析与编译是合而为一的,也就是说,解析编译后生成的OPCODE即为最终的NFA。这里NFA与JS1.6中的NFA是形式是一样的,当然细节上有区别。因此其匹配的过程也是相似。
当然PCRE也提供理论部分的DFA作为其状态机。(待续)
以上的正则解析编译后的以如下格式存在。
OP BRA |
0 |
11 |
OP CHAR |
h |
OP STAR |
t |
OP UPTO |
0 |
2 |
p |
OP KET |
0 |
11 |
OP END |
由于其NFA与JS有一致性,这里不再重复,倒是其Match时的一个消递归的方式比较不错,下面来做一个小的说明。
基本思想是这样的,因为我们递归的时候每次都要保存一些变量与“栈”上,这样过多的嵌套就会引起很大的变量于“栈”上,而且由于某些操作系统对“栈”的大小是有限制的,这就在一定的时候会引起“栈”溢出,从而到时程序运行问题,常见的就是Crash。
一般比较常用的消递归的方式主要有2种,其一是无限循环,其二就是自己从“堆”上保存自己的变量。这里用了第二种方式。
以函数直接调用自身这种方式来说明。那么在此函数中定有一处或几处是调用到自身的,在调用自身处,在“堆”上分配出空间frame,用于保存当前的变量的值,并把当前frame压入自己的frame栈(数据结构中的栈,与上面提到的“栈”不同),并且在此设定一个label(标签,用于RETURN时候的goto到此用)。并且goto至函数的入口处,此时犹如一个函数的新调用,而且可以减少调用函数的开销。
当函数执行完(比如匹配不成功,需要回退;或者subpattern执行完毕)时候,我们需要做“返回”。返回前,我们必须保存执行到此时的一个“结果”,如函数的返回值类似。然后就是取出要返回的label的位置,用goto到那里,把当前的frame销毁,继续执行上一步中未完成的部分。大体上就是这样。