正则表达式语法&优化

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

1. 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

2. 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

3. 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

4. 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。

5. 其他

• 使用 \ 进行转义
• 使用 | 表示或
• 使用 [] 表示区间条件

优化

1. 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。
2. 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。
3. 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)
4. 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}>
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。