正则表达式是如何工作的？ 正则表达式性能

转自：http://www.nowamagic.net/librarys/veda/detail/2026

正则表达式 ，是指一个用来描述或者匹配一系列符合某个句法规则的字符串的单个字符串。在很多文本编辑器或其他工具里，正则表达式通常被用来检索和/或替换那些符合某个模式的文本内容。

粗浅地编写正则表达式是造成性能瓶颈的主要原因之一，但还有很多可以改进正则表达式效率的地方。两个正则表达式匹配相同的文本并不意味着他们具有同等的速度。

许多因素影响正则表达式的效率，首先，正则表达式适配的文本千差万别，部分匹配时比完全不匹配所用的时间要长。每种浏览器的正则表达式引擎也有不同的内部优化。

正则表达式的核心是正则表达式引擎处理方式。一般正则表达式引擎分为两种：NFA和DFA。但其中的NFA又有两个分支：传统的NFA和POSIX NFA 以下是各种语言所支持的引擎：

• 传统NFA：GNU Emacs、java、grep、less、more、.NET、Perl、PHP、Python、Ruby、sed等
• DFA：awk、egrep、flex、MySQL、Procmail
• POSIX NFA：mawk、Mortice Kern等等。
• DFA/NFA混合引擎：GNU awk 、GNU grep/egrep、Tcl

正则表达式真正起作用是由于这些引擎来计算匹配。所以要想弄懂正则表达式的内部机制，就必须要明白你所熟悉的语言(如java，.net用的都是传统的NFA)是采用的那种引擎。每一种语言都有这自己引擎，也就有自己的独特的规范和独特的匹配原则。所以正则表达式说采用的匹配结果也不一样。但不管是DFA还是NFA他们又有一些共性原则如：

1. 优先匹配最左端(最靠开头)的匹配结果。
2. 标准的匹配量词(*、+、？和{min，max})是匹配优先的。

最左端匹配结果

如果你用：cat来匹配下面的一句话：The dragging belly indicates that your cat is too fat.

你本想匹配其中的cat，但是结果却不是，而是indicates中的cat。单词cat 是能够被匹配出来，但是indicates中的cat出现 的更早，所以就先匹配成功了。对于java程序员来说，他只关心是否能匹配而不关心在哪匹配。再来一个例子： 用：fat | cat | belly | your来匹配字符串上面的那一句话。结果会是什么呢？

你认为会是最后的fat是吗？因为fat在 fat | cat | belly | your最前面，是吗？错：答案是belly，句中的belly，为什么呢？由于匹配是从句中的第一个字母T来一次匹配fat | cat | belly | your，中的所有选项，结果发现都不符合，就走到h来匹配，结果也不符合，就依次走下去，直到b字母，有一项符合，就是fat | cat | belly | your中的belly中的b，所以依次匹配发现成功了，所以就正确了。就不在向后面的单词匹配(这种结果只是在支持NFA的引擎中)。

标准量词(*、+等)是匹配优先(greedy 贪婪的意思)的

用\b\w+s\b 来匹配包含s的字符串，如regexes，整个是能够比配成功的，你或许会认为它是正则表达式\w+匹配到xe结束然后让s来匹配最后的regexes中的s，若你这样想，那就错了，其实\w+一次性的匹配到结束包括s在内都被它给匹配了，但后面有个s所以，她很不情愿的吐出一个s来，让后面的s来匹配。这样使得匹配成功。这个+是不是很greedy啊？像欧也妮~葛朗台是吗？O(∩_∩)O哈哈~，对了，就是，这条规则很重要，对于正则表达式的优化很重要。很多时候就是在这个基础上进行优化的。

下面就再来比较一下DFA和NFA的区别。

一般DFA速度较快，而NFA的控制能力较强。这两者各有千秋。NFA引擎是表达式主导。

为了有效地使用正则表达式，重要的是理解它们的工作原理。下面是一个正则表达式处理的基本步骤：

第一步：编译

当你创建了一个正则表达式对象之后（使用一个正则表达式直接量或者RegExp构造器），浏览器检查你的模板有没有错误，然后将它转换成一个本机代码例程，用于执行匹配工作。如果你将正则表达式赋给一个变量，你可以避免重复执行此步骤。

第二步：设置起始位置

当一个正则表达式投入使用时，首先要确定目标字符串中开始搜索的位置。它是字符串的起始位置，或由正则表达式的lastIndex属性指定，但是当它从第四步返回到这里的时候（因为尝试匹配失败），此位置将位于最后一次尝试起始位置推后一个字符的位置上。

浏览器优化正则表达式引擎的办法是，在这一阶段中通过早期预测跳过一些不必要的工作。例如，如果一个正则表达式以^开头，IE 和Chrome通常判断在字符串起始位置上是否能够匹配，然后可避免愚蠢地搜索后续位置。另一个例子是匹配第三个字母是x的字符串，一个聪明的办法是先找到x，然后再将起始位置回溯两个字符。

第三步：匹配每个正则表达式的字元

正则表达式一旦找好起始位置，它将一个一个地扫描目标文本和正则表达式模板。当一个特定字元匹配失败时，正则表达式将试图回溯到扫描之前的位置上，然后进入正则表达式其他可能的路径上。

第四步：匹配成功或失败

如果在字符串的当前位置上发现一个完全匹配，那么正则表达式宣布成功。如果正则表达式的所有可能路径都尝试过了，但是没有成功地匹配，那么正则表达式引擎回到第二步，从字符串的下一个字符重新尝试。只有字符串中的每个字符（以及最后一个字符后面的位置）都经历了这样的过程之后，还没有成功匹配，那么正则表达式就宣布彻底失败。

牢记这一过程将有助于您明智地判别那些影响正则表达式性能问题的类型。