摘要：作者京東商城成都研究院研發(fā)部盧興元正則表達(dá)式從模糊到清晰什么是正則簡單點(diǎn)，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(guān)原創(chuàng)技術(shù)文章。  如果喜歡，請關(guān)注公眾號：前端工坊
版權(quán)歸公眾號所有，轉(zhuǎn)載請注明出處。
作者：京東商城-成都研究院-JSHOP研發(fā)部 盧興元

簡單點(diǎn)，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(nèi)置在其他語言里的一種“迷你”語言，比如內(nèi)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(huì)有不止一種解決方案。有的比較簡單，有的比較快速，有點(diǎn)兼容性更好，有的功能更全。我們需要依據(jù)自己的需求，確認(rèn)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(dòng)機(jī)），另一種稱之為DFA（確定型又窮自動(dòng)機(jī)）。嗯，概念不好理解，我們舉個(gè)栗子：
正則：to(Jack|Rose|Jerry)
匹配文本：xxx···toJerry

正則表達(dá)式從正則的第一個(gè) t 開始，每次由正則引擎查看表達(dá)式的一部分，同時(shí)檢查當(dāng)前文本是否匹配表達(dá)式的當(dāng)前部分。如果是，則繼續(xù)表達(dá)式的下一部分，如果繼續(xù)，直到表達(dá)式的所有部分都能匹配到。此時(shí)發(fā)現(xiàn)當(dāng)檢查到當(dāng)前文本中的字符 t 時(shí)，所以正則表達(dá)式的第一項(xiàng)匹配成功，接著會(huì)檢查緊跟其后的字符是否能由 o 來匹配，然后發(fā)現(xiàn)可以，則接著檢查后面的元素，此時(shí)后面的元素是 (Jack|Rose|Jerry) ，引擎會(huì)嘗試著3種可能進(jìn)行分別測試，直到匹配成功。

引擎在掃碼當(dāng)前文本的時(shí)候，會(huì)記錄當(dāng)前有效的所有匹配可能。當(dāng)引擎移動(dòng)到文本的 t 時(shí)，它會(huì)在當(dāng)前處理的匹配可能中添加一個(gè)潛在的可能：

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

掃描到匹配文本的 e 時(shí)，Jack也被淘汰出局，此時(shí)就只剩一個(gè)可能的匹配了。當(dāng)完成后續(xù)的rry的匹配時(shí)，整個(gè)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(qiáng)大；
2、DFA就好比搭載電動(dòng)發(fā)動(dòng)機(jī)的汽車，加速度很快，但續(xù)航短，不能出遠(yuǎn)門，而NFA可以認(rèn)為是汽油發(fā)動(dòng)機(jī)的汽車，加速度沒那么快，但是適應(yīng)性廣，哪里都能去，但由于適應(yīng)性廣，所以調(diào)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(gè)栗子：
正則：

.*

結(jié)果：

從匹配過程我們也可以發(fā)現(xiàn)對于 .* 這個(gè)表達(dá)式會(huì)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(jié)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(gè)栗子：
正則：

.*?

結(jié)果：

從匹配過程我們也可以發(fā)現(xiàn)，會(huì)優(yōu)先匹配正則結(jié)尾的

子表達(dá)式：

考慮這種場景，有些短語雖然由多個(gè)單詞構(gòu)成，但其實(shí)是一個(gè)整體，需要把它當(dāng)做一個(gè)獨(dú)立元素來使用，這種時(shí)候就需要使用子表達(dá)式。子表達(dá)式必須用()圓括號括起來。用途就是，可以精確的設(shè)定需要重復(fù)匹配的文本及重復(fù)次數(shù)。

反向引用：

它允許我們在正則中引用之前子表達(dá)式匹配到的結(jié)果。這有什么用？還是舉個(gè)栗子：

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

結(jié)果：

正則：.*?（使用了反向引用）

結(jié)果：

NFA引擎匹配能力強(qiáng)大，但是調(diào)教不好，有可能引發(fā)性能問題，它有另一個(gè)叫法，叫做回溯失控。那么問題來了，什么是回溯？

舉個(gè)栗子：
我們醒來的時(shí)候，突然發(fā)現(xiàn)被困在山洞里，這時(shí)候需要尋找出路，然而前方是一個(gè)岔路口。這個(gè)時(shí)候也并沒有任何依據(jù)可以告訴我們哪一條是出路，只有挨個(gè)嘗試，于是我們可以在岔路口做個(gè)標(biāo)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(biāo)記的岔路口，以便繼續(xù)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(biāo)記的地方的這個(gè)過程，稱之為回溯。
很多情況下，依據(jù)你寫的正則表達(dá)式，正則引擎或多或少都需要進(jìn)行這種2個(gè)或者多個(gè)選項(xiàng)的選擇。

先不做專業(yè)術(shù)語解釋，先來看這么一個(gè)應(yīng)用場景
需求：匹配網(wǎng)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?cái)嗪竺婀潭ǖ?html

正則：/d+.html/g

方法二：先正則匹配，再截?cái)嗲昂蠊潭ǖ淖址?/h5>

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(zhǔn)確性，同時(shí)只返回sku數(shù)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(dāng)我們匹配目標(biāo)關(guān)鍵字的時(shí)候，同時(shí)期望對目標(biāo)關(guān)鍵字的前后進(jìn)行限制，并且又不期望這些限制會(huì)出現(xiàn)在匹配結(jié)果中。這時(shí)候，就可以使用斷言。

準(zhǔn)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(jī)活動(dòng)頁url的域名部分
jshop手機(jī)活動(dòng)頁URL格式：//xxxx.jd.xxx/m/act/xxxxxx.html
正則：///(.*)(?=/m)/g

正則：///(¹*)/g

點(diǎn)評：如果不需要匹配/，那就應(yīng)該在正則表達(dá)式中作出這樣的規(guī)定

匹配效率：很快返回匹配結(jié)果，如果不能匹配，盡可能短的時(shí)間報(bào)告匹配失敗

前面有提到過，NFA引擎功能強(qiáng)大，但是寫不好很容易引發(fā)效率問題。其中太多的多選分支很容易成為效率殺手，因?yàn)槿魏味噙x分支只要匹配失敗，都會(huì)導(dǎo)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(gè)栗子：

需求：匹配用戶輸入的一個(gè)字符串是否是一個(gè)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(shí)候需要分開判斷，當(dāng)?shù)谝晃皇?或者1的時(shí)候，后面兩位可以是任意數(shù)字。當(dāng)?shù)谝晃皇?的時(shí)候，第二位只能是0-5。并且當(dāng)?shù)诙皇?-4的時(shí)候，第三位可以是任意數(shù)字，但第二位是5的時(shí)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(xiàng)后：/[01]?dd?|2[0-4]d|25[0-5]/

點(diǎn)評：可以通過合并同類項(xiàng)來減少多選分支。同時(shí)第一個(gè)多選分支使用的是 dd? 而不是 d?d ，這樣如果根本不存在數(shù)字，NFA引擎會(huì)更快地報(bào)告失敗

易讀性

……

分析正則表達(dá)式

比如這個(gè)網(wǎng)站 https://jex.im/regulex
可以實(shí)現(xiàn)對復(fù)雜整個(gè)表達(dá)式的一個(gè)

測試正則表達(dá)式性能

比如這個(gè)貓頭鷹工具 RegexBuddy
可以用來測試正則表達(dá)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(yōu)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(yōu)先量詞。可以減少回溯，遺憾的是js不支持，但java支持。
舉個(gè)栗子：考慮到 /a+b/ 和 /a++b/ 兩個(gè)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(nèi)的文本，請使用非捕獲型括號(?:……)，好處就是節(jié)省捕獲時(shí)間，同時(shí)減少回溯使用的狀態(tài)數(shù)量。