Regular Expression

 

正则表达式的知识点：

关于正则的底层实现原理：

实现正则引擎的两种方式：

DFA (Deterministic Final Automata) 确定型有穷自动机

NFA (Nondeterministic Finite Automata) 不确定型有穷自动机

NFA 对应的是正则表达式主导的匹配，而 DFA 对应的是文本主导的匹配

DFA从匹配文本入手，从左到右，每个字符不会匹配两次，它的时间复杂度是多项式的，所以通常情况下，它的速度更快，但支持的特性很少，不支持捕获组、各种引用等等；而NFA则是从正则表达式入手，不断读入字符，尝试是否匹配当前正则，不匹配则吐出字符重新尝试，通常它的速度比较慢，最优时间复杂度为多项式的，最差情况为指数级的。但NFA支持更多的特性，因而绝大多数编程场景下（包括java，js），我们面对的是NFA。

 

关于正则匹配的方式：

regex = "sun"
content = "Today is sunday"

NFA 是以正则表达式为基准去匹配的。也就是说，NFA 自动机会读取正则表达式的一个一个字符，然后拿去和目标字符串匹配，匹配成功就换正则表达式的下一个字符，否则继续和目标字符串的下一个字符比较。

首先是拿第一个匹配符：s  去和字符串content进行比较，先与字符串的第一个 T 进行匹配，不符合则比较字符串的第二个字符 o 不匹配，则继续往下走。直到匹配符 s 与 字符串的 s 匹配成功之后， 那么NFA 就读取匹配符的第二个字符 u 。

读取到匹配符的第二个字符串 u 之后，与字符串上次匹配成功的 s 之后的位置开始匹配。 u 匹配成功之后。则NFA继续读取匹配符的下一个字符。以此类推。

读取到匹配符的第三个 字符串 d 之后，继续与字符串上次匹配成功 u 之后的位置。匹配成功之后，继续读取匹配符的下一个字符。发现没有了，则匹配结束。

 

关于匹配回溯的情况：

regex = "ro{1,3}t"

content = "root"

NFA自动机是贪婪的，我们知道在这里正则表示的意思是，目标字符具有 r + o (1-3个) + t 。对于NFA的贪婪性，简单的理解就是NFA在这里会尽量多的匹配 o 。这里就会涉及到回溯。

还是跟以上的步骤一样，NFA先读取匹配字符的第一个字符 r ，与content字符串进行匹配，第一个匹配成功，则继续读取第二个字符 o 。

o 会与content字符串的第二位进行匹配，匹配成功。此时NFA不会再去读取正则的第三个字符，而是继续拿 o 去与content 字符进行匹配，匹配又成功，因为这里的贪婪的最大值为3. 则还是会继续去拿 o 与之匹配，

当匹配字符 o 与content的第四个字符串比较 发现不匹配了，这个时候便会发生回溯。

什么是回溯的操作呢？ 回溯就是当发现content的第四个字符 t 与 o 不匹配时，但是这个 t 已经吐出去了（指针已经到了t 的位置），那么这时候，指针就会回溯到第三个字符的位置也就是 t 前一个的位置。

回溯之后，NFA再读取 t 字符与content的第四个字符进行排匹配。匹配成功之后，并且发现没有下一个字符了，则匹配结束。

  

关于matcher.group() 的方法：

　　// groups[] int 型的一维数组
　　// groupCount 可以看作是返回的大括号数量 不包含group(0)  
　　// 这里有个有意思的地方是 当括号小于10 的时候，默认groups长度为20。下面的代码能解释此时包含了group(0)

 
　　public String group(int group) {
        if (first < 0)
            throw new IllegalStateException("No match found");
        if (group < 0 || group > groupCount())
            throw new IndexOutOfBoundsException("No group " + group);
        if ((groups[group*2] == -1) || (groups[group*2+1] == -1))
            return null; 
        return getSubSequence(groups[group * 2], groups[group * 2 + 1]).toString();
    }

/**
 * Returns the number of capturing groups in this matcher's pattern.
 *
 * <p> Group zero denotes the entire pattern by convention. It is not
 * included in this count.
 *
 * <p> Any non-negative integer smaller than or equal to the value
 * returned by this method is guaranteed to be a valid group index for
 * this matcher.  </p>
 *
 * @return The number of capturing groups in this matcher's pattern
 */
　　返回的是
　　public int groupCount() {
    return parentPattern.capturingGroupCount - 1;
　　}

　　我们知道groups是一个一维数组，那么底层是如何执行的呢？

　　首先底层有一行代码： 与定义的括号数量做对比

  int parentGroupCount = Math.max(parent.capturingGroupCount, 10);

　　

 

　　那么groups数组是如何记录的呢？

　　每找到一个符合规则的元素时的执行情况： 这里我定义的正则为(\\d\\d)(\\d\\d)  以及String为："1998 ......."

　　这里正则表达式分组为两组：

　　1. 根据指定的规则，定位满足规则的字符串（1998）

　　2. 找到后，记录到matcher对象的属性int[] groups

　　　　2.1 首先是group[0] 和 group[1] 进行记录，这个记录的是 整个匹配的结果（1998）在 在目标字符串中对应的索引 +1。

　　　　　　这里的group[0] = 0  group[1] = 4

　　　　2.2 进行内部组的匹配： 这里两个组，那么就是 组1 和 组2

　　　　组1 对应的groups分配的记录索引的位置为：groups[2] = 0 和  group[3] = 2

　　　　组2 对应的groups分配的记录索引的位置为：groups[4] = 2 和  group[5] = 4

　　3. 同时记录oldLast的值（= 4）子字符串结束的索引+1 的值 即 4， 这是为了下次执行find方法时，直接从4开始匹配

 

元字符 - 限定符 ： 用于指定其前面的字符或组合项连续出现的多少次

符号	含义	示例	说明	匹配输入
*	指定字符重复出现0次或者n次 （0到多）	(abc)*	仅包含任意个abc的字符串，等效于、w	abc | abcabcabc
+	指定字符重复1次或者n次 （1到多）	m+(abc)*	以至少1个m开头，后接任意个abc的字符串	m | mabc | mabcabc...
？	指定字符重复0次或者1次 （0到1）	m+abc?	以至少一个1个m开头，后接ab或者abc的字符串（注：? 影响该符号左边最近的字符，abc在这里为三个字符。	mab | mabc | mmab | mabcc...
{n}	只能输入n个字符 （限定个数n）	[abcde]{3}	由abcde字符串组合的任意长度为3的字符串	abc | bcd | abe
{n,}	指定至少n个匹配	[abcd]{3,}	由abcd中字母组合的任意长度不小于3的字符串	aac | abcd | bccd
{n,m}	指定至少n个但是不能多于m个匹配	[abcde]{3,6}	由abcd中字母组合的任意长度不小于3，且不大于6的字符串	abce | aaaa | bceddd

 

 

 

 

 

 

 

 

 

 

 

 

 

举例： Java中默认为贪婪匹配，即尽可能匹配多的元素.     *  + 都是贪婪的

 

 这里     ：adeadadaad 满足条件的字符串只有两个！

 

贪婪匹配 -> 非贪婪匹配 ： 只需要在其后面加上 ? 就能实现匹配最先值

元字符-定位符 ：规定要匹配的字符串出现的位置，eg：出现在开始还是结束的位置

符号	含义	示例	说明	匹配输入
^	指定起始字符	^[0-9]+[a-z]*	以至少1个数字开头，后面任意个小写字母的字符串	123 | 6aa | 121lsls
$	指定结束字符	^[0-9]\\-[a-z]+$	以1个数字开头后接连字符“ - ”，并以至少1个小写字母结尾的字符串	1-q | 1-sada
\b	匹配目标字符串的边界	Jakob\b	字符串的边界指的是字串间有空格，或者是目标字符串的结束位置	This is Jakob | JJJakob
\B	匹配目标字符串的非边界	Jakob\B	和\b的含义相反，出了是空格、结束的位置 在句子中出现了匹配字符就能匹配	JJJakobHH | Jakobishandsome

 

 

 

 

 

 

 

 

正则表达式语法：

分组

常用分组构造形式	说明
(pattern)	非命名捕获，捕获匹配的子字符串。编号为零的第一个捕获是由整个正则表达式模式匹配的文本，其它捕获结果则根据左括号的顺序从1开始自动编号。
(?<name>pattern)	命名捕获，将匹配俄子字符串捕获到一个组名称或编号名称中。用于name的字符串不能包含任何标点符号，并且不能以数字开头。可以使用单引号替代尖括号，eg:（?'name')

 

 

 

 

 

 

非捕获分组 

常用分组构造形式	说明
(?:pattern)	匹配pattern但不捕获该匹配的子表达式，即它是一个非捕获匹配，不存储供以后使用的匹配（简单的理解为他不是group） eg:'studen(?:t|ts)' 相比 'student | students' 跟简洁
(?=pattern)	正向肯定预查（look ahead positive assert）它是非捕获匹配，eg："Windows(?=95|98|NT|2000)"能匹配"Windows2000"中的"Windows"，但不能匹配"Windows3.1"中的"Windows"。
(?!pattern)	正向否定预查(negative assert)  eg："Windows(?!95|98|NT|2000)"能匹配"Windows3.1"中的"Windows"，但不能匹配"Windows2000"中的"Windows"。

 

 

 

 

 

 

 

 

 

相关博客： https://www.cnblogs.com/study-everyday/p/7426862.html

 

https://blog.csdn.net/li20081006/article/details/21999779

https://www.cnblogs.com/boundless-sky/p/7597631.html