[前端工坊]正则表达式-从模糊到清晰

文章来自微信公众号：前端工坊(fe_workshop)，不定期更新有趣、好玩的前端相关原创技术文章。 如果喜欢，请关注公众号：前端工坊
版权归公众号所有，转载请注明出处。
作者：京东商城-成都研究院-JSHOP研发部 卢兴元

正则表达式-从模糊到清晰

1. 什么是正则

简单点，正则是一些用来匹配和处理文本的字符串（或者叫工具），往往用于查找特定的信息（搜索），或者查找并编辑特定的信息（替换）。它是一种内置在其他语言里的一种“迷你”语言，比如内置在Javscript、Java等语言中。

2. 要认可的事实

正则答案不唯一。几乎所有的问题，往往都会有不止一种解决方案。有的比较简单，有的比较快速，有点兼容性更好，有的功能更全。我们需要依据自己的需求，确认一种最适合自己的方案。

3. 正则引擎概述

正则引擎可以分为2类。一种称之为NFA（非确定型有穷自动机），另一种称之为DFA（确定型又穷自动机）。嗯，概念不好理解，我们举个栗子：
正则：to(Jack|Rose|Jerry)
匹配文本：xxx···toJerry

1）NFA（表达式主导）匹配过程

正则表达式从正则的第一个 t 开始，每次由正则引擎查看表达式的一部分，同时检查当前文本是否匹配表达式的当前部分。如果是，则继续表达式的下一部分，如果继续，直到表达式的所有部分都能匹配到。此时发现当检查到当前文本中的字符 t 时，所以正则表达式的第一项匹配成功，接着会检查紧跟其后的字符是否能由 o 来匹配，然后发现可以，则接着检查后面的元素，此时后面的元素是 (Jack|Rose|Jerry) ，引擎会尝试着3种可能进行分别测试，直到匹配成功。

2）DFA（文本主导）匹配过程

引擎在扫码当前文本的时候，会记录当前有效的所有匹配可能。当引擎移动到文本的 t 时，它会在当前处理的匹配可能中添加一个潜在的可能：

接下来扫描的每个字符，都会更新当前的可能匹配序列。例如扫码到匹配文本的 J 时，有效的可能匹配变成了2个，Rose被淘汰出局。

扫描到匹配文本的 e 时，Jack也被淘汰出局，此时就只剩一个可能的匹配了。当完成后续的rry的匹配时，整个匹配完成。

3）两句话点评NFA与DFA

1、DFA匹配速度快但特性少（比如不支持捕获组、反向引用），NFA匹配稍慢但能力强大；
2、DFA就好比搭载电动发动机的汽车，加速度很快，但续航短，不能出远门，而NFA可以认为是汽油发动机的汽车，加速度没那么快，但是适应性广，哪里都能去，但由于适应性广，所以调教很重要。

4）需要注意的

Java、Javascript、PHP、Python这些都是NFA引擎。

4. 过基础（老手请跳过）

5. 要点讲解

1）贪婪与懒惰

贪婪模式：

尽可能匹配更多的字符。举个栗子：
正则：<p>.*</p>

结果：

从匹配过程我们也可以发现对于 .* 这个表达式会尝试尽可能多的匹配字符，直到匹配到尽头，才尝试匹配正则结尾的 </p> 。

懒惰模式：

与贪婪模式相反，尽可能匹配更少的字符。举个栗子：
正则：<p>.*?</p>

结果：

从匹配过程我们也可以发现，会优先匹配正则结尾的 </p> ，在没有满足此结尾的情况下，才尽可能的去少匹配 .*? 这个表达式。

2）子表达式与反向引用

子表达式：

考虑这种场景，有些短语虽然由多个单词构成，但其实是一个整体，需要把它当做一个独立元素来使用，这种时候就需要使用子表达式。子表达式必须用()圆括号括起来。用途就是，可以精确的设定需要重复匹配的文本及重复次数。

反向引用：

它允许我们在正则中引用之前子表达式匹配到的结果。这有什么用？还是举个栗子：

需求：匹配Html代码片段中的h1~h6标签
正则：<h[1-6]>.*?</h[1-6]>（没有使用反向引用）

结果：

正则：<h([1-6])>.*?</h1>（使用了反向引用）

结果：

3）回溯

NFA引擎匹配能力强大，但是调教不好，有可能引发性能问题，它有另一个叫法，叫做回溯失控。那么问题来了，什么是回溯？

举个栗子：
我们醒来的时候，突然发现被困在山洞里，这时候需要寻找出路，然而前方是一个岔路口。这个时候也并没有任何依据可以告诉我们哪一条是出路，只有挨个尝试，于是我们可以在岔路口做个标记，以便万一选择的这条路走不通，可以原路返回，直到遇见做了标记的岔路口，以便继续尝试另一条路是不是出路。我们可以把每次尝试失败然后往回走，找到之前做标记的地方的这个过程，称之为回溯。
很多情况下，依据你写的正则表达式，正则引擎或多或少都需要进行这种2个或者多个选项的选择。

4）断言（环视）

先不做专业术语解释，先来看这么一个应用场景
需求：匹配网页里所有PC商品详情页地址所包含的sku信息
PC商品详情页地址格式：//item.jd.com/xxxxxx.html

方法一：先正则匹配，再截断后面固定的.html

正则：/d+\.html/g

方法二：先正则匹配，再截断前后固定的字符

正则：/item\.jd\.com/d+\.html/g

方法三：使用正向断言和反向断言，保证准确性，同时只返回sku数字

正则：/(?<=item\.jd\.com/)d+(?=\.html)/g

断言分类：正向肯定断言、正向否定断言、反向肯定断言、反向否定断言

需要注意的：Javascript不支持反向断言，Java也是有限制的支持反向断言
总而言之，言而总之，当我们匹配目标关键字的时候，同时期望对目标关键字的前后进行限制，并且又不期望这些限制会出现在匹配结果中。这时候，就可以使用断言。

6. 正则优化

1）怎样才算是一个好正则

准确性：只匹配期望的文本，排除掉不期望的文本

需求：匹配jshop手机活动页url的域名部分
jshop手机活动页URL格式：//xxxx.jd.xxx/m/act/xxxxxx.html
正则：///(.*)(?=/m)/g

正则：///(¹*)/g

点评：如果不需要匹配/，那就应该在正则表达式中作出这样的规定

匹配效率：很快返回匹配结果，如果不能匹配，尽可能短的时间报告匹配失败

前面有提到过，NFA引擎功能强大，但是写不好很容易引发效率问题。其中太多的多选分支很容易成为效率杀手，因为任何多选分支只要匹配失败，都会导致回溯。所以提高正则匹配效率的方法之一就是减少多选分支。

举个栗子：

需求：匹配用户输入的一个字符串是否是一个4位IP里的一位，直白的说就是匹配0~255
分析：可能有1位，也可能有2位，也可能有3位。3位的时候需要分开判断，当第一位是0或者1的时候，后面两位可以是任意数字。当第一位是2的时候，第二位只能是0-5。并且当第二位是0-4的时候，第三位可以是任意数字，但第二位是5的时候，第三位只能是0-5。
翻译过来正则：/d|dd|[01]dd|2[0-4]d|25[0-5]/
合并同类项后：/[01]?dd?|2[0-4]d|25[0-5]/

点评：可以通过合并同类项来减少多选分支。同时第一个多选分支使用的是 dd? 而不是 d?d ，这样如果根本不存在数字，NFA引擎会更快地报告失败

易读性

……

2）使用工具

分析正则表达式

比如这个网站 https://jex.im/regulex
可以实现对复杂整个表达式的一个

测试正则表达式性能

比如这个猫头鹰工具 RegexBuddy
可以用来测试正则表达式的匹配过程以及性能，包括各种语言下的正则特性支持情况。

3）优化手段

优化方针：减少回溯

1、减少或者合并多选分支
2、避免量词的嵌套
3、占有优先量词。可以减少回溯，遗憾的是js不支持，但java支持。
举个栗子：考虑到 /a+b/ 和 /a++b/ 两个正则，测试的字符串 aaaa

/a+b/ 的匹配过程

/a++b/ 的匹配过程

4、使用正确的边界匹配器（^、$、b、B等），限定搜索字符串位置
5、尽量不使用通配符".";字符使用具体的元字符、字符类（d、w、s等）（推荐）
6、使用正确的量词（+、*、?、{n,m}），如果能够限定长度，匹配最佳
7、使用非捕获型括号。如果不需要引用括号内的文本，请使用非捕获型括号(?:……)，好处就是节省捕获时间，同时减少回溯使用的状态数量。

---

1. / ↩