正则表达式解释器实现原理
以JavaScript正则为例 Author:tuiye@126.com 正则表达式可以用来: (1)验证字符串是否符合指定特征,比如验证是否是合法的邮件地址。 (2)用来查找字符串,从一个长的文本中查找符合指定特征的字符串,比查找固定字符串更加灵活方便。 (3)用来替换,比普通的替换更强大。 对于一个正则表达式一般有2种方式,以JS为例 其一为使用正则表达式文字常量: var re = /^[Jj]ava[Ss]cript/i; 其二为使用RegExp构造函数: var re = new RegExp(“^[Jj]ava[Ss]cript”,”i”);
而一个正则表达式解释器主要有3部分组成,分别是解析(parse)、编译(compile)与执行(execute)。
1 解析 正则的表达式的词法与语法比较简单,基本语法如下: A)普通字符和元字符 普通字符是那些表示自身的字符,例如从a到z,A到Z,0到9等; 元字符具有特殊意义,如‘.’,表示除了‘/n’外的所有字符,其他具有此功能的有
表1 元字符
元数据如要表示自身,那么需要用’/’来辅助转义
B)字符类 单个的字符可以组成字符类,其语法为用’[’与’]’组成,例如[abcA-Z79]表示可以匹配a,b,c与A到Z,7,9的字符 其中’-’为连字符,表示字符的跨度。 ‘^’在”[]”间也是特殊字符,表示取反 其他的特殊字符如下表: 表2 字符类中的预定义字符类
JavaScript无POSIX格式 C)限定符(重复) 限定符有2种形式,分别为’*’,’+’,’?’与’ {’与’}’来表示 表3 限定符
在正则中有贪婪与非贪婪之分,默认的情况下,正则是贪婪的 如果要把正则设置为非贪婪有2种方式,一种为设置在原先的限定符加上’?’就行,另一种在设置 举例说明,/.+/ 将匹配"abdddd"中的所有字符,/.+?/ 只将匹配"abdddd"中的第一个a,也就是默认的尽可能多的匹配字符,而非贪婪重复则尽可能上的匹配。
D)选择、分组和引用 选择的语法就是设置’|’,如a|bc,那么要么a或bc都可以匹配,如果(a|b)c则为匹配ac或bc。 如果我们在上例中设置了”()”,那么这就是分组,每个分组都可以被引用,如(a|b)c*(e|f)/1/2,/1与/2就是引用的语法,/1表示引用了(a|b),/2表示引用(e|f),以此类推。 这里要说明的是(a|b)c*(e|f)/1/2与(a|b)c*(e|f)(a|b)(e|f)乍一看两者等同,但实际上,前一个不可以匹配acebf,而后一个可以。究其原因就是引用处的配平必须与被引用处一致,此例中与之匹配的可以是aceac。
E)定位符(锚)和前向引用 定位符如下表所示 表4 定位符
如果正则表达式的匹配模式为 MULTILINE 模式,^ 可匹配一行文本的行首,$ 可匹配一行文本的行末。当 /b 被包含于字符集合中时,/b 代表退格符(ASCII码 = 8)。 除了这些预定义的定位符,还可以自定义定位符,这种类型的定位符叫做前向引用(look-ahead anchor)和后向引用(look-behind anchor,JavaScript不支持)。 前向引用使用(?=…)表示正的前向引用,(?!…)表示负的前向引用下面是一个前向引用的例子 /Java(?!Script)([A-Z]/w*)/ 其中(?!Script)匹配后面不跟Script的位置,而(?=Script)匹配后面是Script的位置。
以上讲解了JavaScript的语法规则,下面我们来论述一下解析的过程。 解析的过程是语法分析(Lexical Analysis)与词法分析(Grammar Analysis)。
2 编译 编译(Compile)阶段,主要的工作就是生成字节流(Emit Byte Code)。而生成Byte Code的算法(规则)JS中就是NFA。生成的Byte Code是归于执行(Execute)时做匹配利用。各个状态即为正则中的语义(OPCODE)的表示,各个OPCODE以一定的格式与关系住成了状态机,JS中是组成NFA的状态机。 下面介绍下在流行的两种算法NFA(Nondeterministic Finite Automaton)与DFA(Deterministic Finite automaton),Perl,Python,JS等都是NFA的,而awk与grep等用的是DFA,两种算法的具体实现如下: 1)有限状态机(Finite Automation) 状态机是一个有一组不同状态的集合的系统。有一个特殊状态――它描述了系统的初始状态。而其他的一个或多个状态为终止状态;当一个事件将我们带到这样的一些状态时,状态机将退出。状态是与转换相关联的,每个转换都标注有输入事件的名称。当事件发生时,我们将随着相关的转换从当前状态移动到新的状态。 一个有限状态机包含一组状态集(states)、一个起始状态(start state)、一组输入符号集(alphabet)、一个映射输入符号和当前状态到下一状态的转换函数(transition function)的计算模型。当输入符号串,模型随即进入起始状态。它要改变到新的状态,依赖于转换函数。 假定一个输入符号(symbol),可以得到2个或者2个以上的可能状态,那么这个finite automaton就是不确定的,反之就是确定的。 一个正则可以与一个FA等同,其转化的规律如下 对于单个字符的 两个状态的连接e1e2
对于e?
对于e1|e2
对于e*
对于e+
2)不确定有限状态机(NFA) 例如要匹配abab|abbb,其NFA的状态是
3)确定性有限状态机(DFA) 以上例子的DFA如下
其中s1-s10为各个的状态对应于NFA中的s1-s10
3 执行 1)NFA 那么一个abbb字符串的匹配过程如下:
一个更加高效的方式是同步匹配两者: 这里我们看到,是利用正则表达式来扫描要匹配的字符串,又由于此时是不确定状态机,所以利用试探与backing的方式来做匹配的。NFA是由正则来做驱动匹配的。这就像一个过程语言,控制了解析器在匹配中的try/fail。
2)DFA 而确定性状态机相反,由于对于相应的输入都有一定的状态的迁移,所以总的来说,DFA的匹配效率要高一些。DFA是由字符串作驱动来匹配的,在每个字符串中的每个字符只被扫描一次。这种方式就是尝试此状态时可能的每种输入同时进行匹配。
4 实践 见JS 1.6与PCRE7.2
1)JS1.6 以 /.*ht*p{0,3}/ 为例来说明JS1.6与PCRE7.2的NFA组成 JS1.6中,基本上以一个字符(广义上的字符,比如/n我们认为是回车字符)以一个节点建立RENode。比如例子中,我们建立了7个RENode,依次为’.’,’*’,’h’,’t’,’p’,” {0,3}”。其中’h’,’p’分别为REOP_FLAT,而’*’,”{0,3}”为REOP_QUANT(RE_STAR)。 建立的节点的同时,会调整节点间的关系,主要是ProcessOp()这个函数,调整的关系为两种:一种是OP_CONCAT(连接),另一种为OP_ALT(选择)。OP_CONCAT是指两个OP_FLAT的RENode节点,例如’h’与’t’是紧挨的,那么我们把他们处理成“连接”关系。“连接”关系一种顺序关系。至于OP_ALT,则额外建立一个OP_ALT节点把两则建立起选择的关系。例如a|b,那么,建立OP_ALT节点,把节点’a’与’b’与节点OP_ALT建立选择关系。 解析后RENode节点顺序如下图
即 JS1.6中编译的过程就为生成NFA的过程,主要是调整生成OP_ALT,OP_BACKREF,OP_STAR等跳转关系 编译后,生成NFA (注:此例中上下行为父子关系)
即 执行(匹配)的过程,我们以匹配字符串”xhtttpps”
注:其中’|’代表匹配所在的位置,’<’代表匹配成功开始,’>’代表匹配成功结束。 所以上述正则可匹配上述字符串中的”xhtttpp”
2)PCRE7.2 以/ht*p{0,2}/为例 PCRE的解析与编译是合而为一的,也就是说,解析编译后生成的OPCODE即为最终的NFA。这里NFA与JS1.6中的NFA是形式是一样的,当然细节上有区别。因此其匹配的过程也是相似。 当然PCRE也提供理论部分的DFA作为其状态机。(待续) 以上的正则解析编译后的以如下格式存在。
由于其NFA与JS有一致性,这里不再重复,倒是其Match时的一个消递归的方式比较不错,下面来做一个小的说明。 基本思想是这样的,因为我们递归的时候每次都要保存一些变量与“栈”上,这样过多的嵌套就会引起很大的变量于“栈”上,而且由于某些操作系统对“栈”的大小是有限制的,这就在一定的时候会引起“栈”溢出,从而到时程序运行问题,常见的就是Crash。 一般比较常用的消递归的方式主要有2种,其一是无限循环,其二就是自己从“堆”上保存自己的变量。这里用了第二种方式。 以函数直接调用自身这种方式来说明。那么在此函数中定有一处或几处是调用到自身的,在调用自身处,在“堆”上分配出空间frame,用于保存当前的变量的值,并把当前frame压入自己的frame栈(数据结构中的栈,与上面提到的“栈”不同),并且在此设定一个label(标签,用于RETURN时候的goto到此用)。并且goto至函数的入口处,此时犹如一个函数的新调用,而且可以减少调用函数的开销。 当函数执行完(比如匹配不成功,需要回退;或者subpattern执行完毕)时候,我们需要做“返回”。返回前,我们必须保存执行到此时的一个“结果”,如函数的返回值类似。然后就是取出要返回的label的位置,用goto到那里,把当前的frame销毁,继续执行上一步中未完成的部分。大体上就是这样。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |