摘要：作者京東商城成都研究院研發部盧興元正則表達式從模糊到清晰什么是正則簡單點，正則是一些用來匹配和處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，或者查找并編輯特定的信息替換。

文章來自微信公眾號：前端工坊(fe_workshop)，不定期更新有趣、好玩的前端相關原創技術文章。  如果喜歡，請關注公眾號：前端工坊
版權歸公眾號所有，轉載請注明出處。
作者：京東商城-成都研究院-JSHOP研發部 盧興元

簡單點，正則是一些用來匹配和處理文本的字符串（或者叫工具），往往用于查找特定的信息（搜索），或者查找并編輯特定的信息（替換）。它是一種內置在其他語言里的一種“迷你”語言，比如內置在Javscript、Java等語言中。

正則答案不唯一。幾乎所有的問題，往往都會有不止一種解決方案。有的比較簡單，有的比較快速，有點兼容性更好，有的功能更全。我們需要依據自己的需求，確認一種最適合自己的方案。

正則引擎可以分為2類。一種稱之為NFA（非確定型有窮自動機），另一種稱之為DFA（確定型又窮自動機）。嗯，概念不好理解，我們舉個栗子：
正則：to(Jack|Rose|Jerry)
匹配文本：xxx···toJerry

正則表達式從正則的第一個 t 開始，每次由正則引擎查看表達式的一部分，同時檢查當前文本是否匹配表達式的當前部分。如果是，則繼續表達式的下一部分，如果繼續，直到表達式的所有部分都能匹配到。此時發現當檢查到當前文本中的字符 t 時，所以正則表達式的第一項匹配成功，接著會檢查緊跟其后的字符是否能由 o 來匹配，然后發現可以，則接著檢查后面的元素，此時后面的元素是 (Jack|Rose|Jerry) ，引擎會嘗試著3種可能進行分別測試，直到匹配成功。

引擎在掃碼當前文本的時候，會記錄當前有效的所有匹配可能。當引擎移動到文本的 t 時，它會在當前處理的匹配可能中添加一個潛在的可能：

接下來掃描的每個字符，都會更新當前的可能匹配序列。例如掃碼到匹配文本的 J 時，有效的可能匹配變成了2個，Rose被淘汰出局。

掃描到匹配文本的 e 時，Jack也被淘汰出局，此時就只剩一個可能的匹配了。當完成后續的rry的匹配時，整個匹配完成。

1、DFA匹配速度快但特性少（比如不支持捕獲組、反向引用），NFA匹配稍慢但能力強大；
2、DFA就好比搭載電動發動機的汽車，加速度很快，但續航短，不能出遠門，而NFA可以認為是汽油發動機的汽車，加速度沒那么快，但是適應性廣，哪里都能去，但由于適應性廣，所以調教很重要。

Java、Javascript、PHP、Python這些都是NFA引擎。

貪婪模式：

盡可能匹配更多的字符。舉個栗子：
正則：

.*

結果：

從匹配過程我們也可以發現對于 .* 這個表達式會嘗試盡可能多的匹配字符，直到匹配到盡頭，才嘗試匹配正則結尾的

懶惰模式：

與貪婪模式相反，盡可能匹配更少的字符。舉個栗子：
正則：

.*?

結果：

從匹配過程我們也可以發現，會優先匹配正則結尾的

子表達式：

考慮這種場景，有些短語雖然由多個單詞構成，但其實是一個整體，需要把它當做一個獨立元素來使用，這種時候就需要使用子表達式。子表達式必須用()圓括號括起來。用途就是，可以精確的設定需要重復匹配的文本及重復次數。

反向引用：

它允許我們在正則中引用之前子表達式匹配到的結果。這有什么用？還是舉個栗子：

需求：匹配Html代碼片段中的h1~h6標簽
正則：.*?（沒有使用反向引用）

結果：

正則：.*?（使用了反向引用）

結果：

NFA引擎匹配能力強大，但是調教不好，有可能引發性能問題，它有另一個叫法，叫做回溯失控。那么問題來了，什么是回溯？

舉個栗子：
我們醒來的時候，突然發現被困在山洞里，這時候需要尋找出路，然而前方是一個岔路口。這個時候也并沒有任何依據可以告訴我們哪一條是出路，只有挨個嘗試，于是我們可以在岔路口做個標記，以便萬一選擇的這條路走不通，可以原路返回，直到遇見做了標記的岔路口，以便繼續嘗試另一條路是不是出路。我們可以把每次嘗試失敗然后往回走，找到之前做標記的地方的這個過程，稱之為回溯。
很多情況下，依據你寫的正則表達式，正則引擎或多或少都需要進行這種2個或者多個選項的選擇。

先不做專業術語解釋，先來看這么一個應用場景
需求：匹配網頁里所有PC商品詳情頁地址所包含的sku信息
PC商品詳情頁地址格式：//item.jd.com/xxxxxx.html

方法一：先正則匹配，再截斷后面固定的.html

正則：/d+.html/g

方法二：先正則匹配，再截斷前后固定的字符

正則：/item.jd.com/d+.html/g

方法三：使用正向斷言和反向斷言，保證準確性，同時只返回sku數字

正則：/(?<=item.jd.com/)d+(?=.html)/g

斷言分類：正向肯定斷言、正向否定斷言、反向肯定斷言、反向否定斷言

需要注意的：Javascript不支持反向斷言，Java也是有限制的支持反向斷言
總而言之，言而總之，當我們匹配目標關鍵字的時候，同時期望對目標關鍵字的前后進行限制，并且又不期望這些限制會出現在匹配結果中。這時候，就可以使用斷言。

準確性：只匹配期望的文本，排除掉不期望的文本

需求：匹配jshop手機活動頁url的域名部分
jshop手機活動頁URL格式：//xxxx.jd.xxx/m/act/xxxxxx.html
正則：///(.*)(?=/m)/g

正則：///(¹*)/g

點評：如果不需要匹配/，那就應該在正則表達式中作出這樣的規定

匹配效率：很快返回匹配結果，如果不能匹配，盡可能短的時間報告匹配失敗

前面有提到過，NFA引擎功能強大，但是寫不好很容易引發效率問題。其中太多的多選分支很容易成為效率殺手，因為任何多選分支只要匹配失敗，都會導致回溯。所以提高正則匹配效率的方法之一就是減少多選分支。

舉個栗子：

需求：匹配用戶輸入的一個字符串是否是一個4位IP里的一位，直白的說就是匹配0~255
分析：可能有1位，也可能有2位，也可能有3位。3位的時候需要分開判斷，當第一位是0或者1的時候，后面兩位可以是任意數字。當第一位是2的時候，第二位只能是0-5。并且當第二位是0-4的時候，第三位可以是任意數字，但第二位是5的時候，第三位只能是0-5。
翻譯過來正則：/d|dd|[01]dd|2[0-4]d|25[0-5]/
合并同類項后：/[01]?dd?|2[0-4]d|25[0-5]/

點評：可以通過合并同類項來減少多選分支。同時第一個多選分支使用的是 dd? 而不是 d?d ，這樣如果根本不存在數字，NFA引擎會更快地報告失敗

易讀性

……

分析正則表達式

比如這個網站 https://jex.im/regulex
可以實現對復雜整個表達式的一個

測試正則表達式性能

比如這個貓頭鷹工具 RegexBuddy
可以用來測試正則表達式的匹配過程以及性能，包括各種語言下的正則特性支持情況。

優化方針：減少回溯

1、減少或者合并多選分支
2、避免量詞的嵌套
3、占有優先量詞。可以減少回溯，遺憾的是js不支持，但java支持。
舉個栗子：考慮到 /a+b/ 和 /a++b/ 兩個正則，測試的字符串 aaaa

/a+b/ 的匹配過程

/a++b/ 的匹配過程

4、使用正確的邊界匹配器（^、$、b、B等），限定搜索字符串位置
5、盡量不使用通配符".";字符使用具體的元字符、字符類（d、w、s等）（推薦）
6、使用正確的量詞（+、*、?、{n,m}），如果能夠限定長度，匹配最佳
7、使用非捕獲型括號。如果不需要引用括號內的文本，請使用非捕獲型括號(?:……)，好處就是節省捕獲時間，同時減少回溯使用的狀態數量。