Python下的正则表达式原理和优化笔记

最近的时间内对正则表达式进行了一点点学习。所选教材是《mastering regular expressions》，也就是所谓的《精通正则表达式》。读过一遍后，顿感正则表达式的强大和精湛之处。其中前三章是对正则表达式的基本规则的介绍和铺垫。七章以后是对在具体语言下的应用。而核心的部分则是四五六这三章节。

其中第四章是讲了整个正则表达式的精华，即传统引擎NFA的回溯思想。第五章是一些例子下对回溯思想的理解。第六章则是对效率上的研究。根源也是在回溯思想上的引申和研究。

这篇文章是我结合python官方re模块的文档以及这本书做一个相应的总结。

其中官方的文档：
http://docs.python.org/3.3/library/re.html

由于我都是在python上联系和使用的，所以后面的问题基本都是在python上提出来的，所以这本书中的其它正则流派我均不涉及。依书中，python和perl风格差不多，属于传统NFA引擎，也就是以“表达式主导“，采用回溯机制，匹配到即停止（
顺序敏感，不同于POSIX NFA等采用匹配最左最长的结果）。

对于回溯部分，以及谈及匹配的时候，将引擎的位置总是放在字符和字符之间，而不是字符本身。比如^对应的是第一个字符之前的那个”空白“位置。

基础规则的介绍

python中的转义符号干扰

python中，命令行和脚本等，里面都会对转义符号做处理，此时的字符串会和正则表达式的引擎产生冲突。即在python中字符串'\n'会被认为是换行符号，这样的话传入到re模块中时便不再是‘\n’这字面上的两个符号，而是一个换行符。所以，我们在传入到正则引擎时，必须让引擎单纯的认为是一个'\'和一个'n'，所以需要加上转义符成为'\\n'，针对这个情况，python中使用raw_input方式，在字符串前加上r，使字符串中的转义符不再特殊处理（即python中不处理，统统丢给正则引擎来处理），那么换行符就是r'\n'

基本字符

.        #普通模式下，匹配除换行符外的任意字符。（指定DOTALL标记以匹配所有字符）

量词限定符

*        #匹配前面的对象0个或多个。千万不要忽略这里的0的情况。
+        #匹配前面的对象1个或多个。这里面的重点是至少有一个。
?        #匹配前面的对象0个或1个。
{m}      #匹配前面的对象m次
{m,n}    #匹配前面的对象最少m次，最多n次。

锚点符

^        #匹配字符串开头位置，MULTILINE标记下，可以匹配任何\n之后的位置
$        #匹配字符串结束位置，MULTILINE标记下，可以匹配任何\n之前的位置

正则引擎内部的转义符号

\m    m是数字，所谓的反向引用，即引用前面捕获型括号内的匹配的对象。数字是对应的括号顺序。
\A    只匹配字符串开头
\b    可以理解一个锚点的符号，此符号匹配的是单词的边界。这其中的word定义为连续的字母，数字和下划线。
准确的来说，\b的位置是在\w和\W的交界处，当然还有字符串开始结束和\w之间。
\B    和\b对应，本身匹配空字符，但是其位置是在非"边界"情况下.
比如r'py\B'可以匹配'python'，但不能匹配'py,','py.' 等等
\d    匹配数字
\D    匹配非数字
\s    未指定UNICODE和LOCALE标记时，等同于[ \t\n\r\f\v](注意\t之前是一个空格，表示也匹配空格)
\S    与\s相反
\w    未指定UNICODE和LOCALE标记时，等同于[a-zA-Z0-9_]
\W    和\w相反
\Z    只匹配字符串结尾
其他的一些python支持的转移符号也都有支持，如前面的'\t'

字符集

[]
尤其注意，这个字符集最终 只匹配一个字符（既不是空，也不是一个以上!）,所以前面的一些量词限定符，在这里失去了原有的意义。
另外，'-'符号放在两个字符之间的时候，表示ASCII字符之间的所有字符，如[0-9]，表示0到9.
而放在字符集开头或者结尾，或者被'\'转义时候，则只是表示特指'-'这个符号
最后，当在开头的地方使用'^',表示排除型字符组.

括号的相关内容

普通型括号

(...)    普通捕获型括号，可以被\number引用。

扩展型括号

(?aiLmsx)
a        re.A
i        re.I    #忽略大小写
L        re.L
m        re.M
s        re.S    #点号匹配包括换行符
x        re.X    #可以多行写表达式
如：
re_lx = re.compile(r'(?iS)\d+$')
re_lx = re.compile(r'\d+',re.I|re.S)    #这两个编译表达式等价

(?:......)      #非捕获型括号，此括号不记录捕获内容，可节省空间
(?P<name>...)   #此捕获型括号可以使用name来调用，而不必依赖数字。使用(?P=name)调用。
(?#...)         #注释型括号，此括号完全被忽略
(?=...)   #positive lookahead assertion    如果后面是括号中的，则匹配成功
(?!...)   #negative lookahead assertion    如果后面不是括号中的，则匹配成功
(?<=...)  #positive lookbehind assertion   如果前面是括号中的，则匹配成功
(?<!...)  #negative lookbehind assertion   如果前面不是括号中的，则匹配成功
#以上四种类型的断言，本身均不匹配内容，只是告知正则引擎是否开始匹配或者停止。
#另外在后两种后项断言中，必须为定长断言。
(?(id/name)yes-pattern|no-pattern)
#如有由id或者name指定的组存在的话，将会匹配yes-pattern，否则将会匹配no-pattern，通常情况下no-pattern可以省略。

匹配优先/忽略优先符号

在量词限定符中，默认的情况都是匹配优先，也就是说，在符合条件的情况下，正则引擎会尽量匹配多的字符（
贪婪规则）

当在这些符号后面加上'?'，则正则引擎会成为忽略优先，此时的正则引擎会匹配
尽可能少的字符。

如'??'会先匹配没有的情况，然后才是1个对象的情况。而{m,n}?则是优先匹配m个对象，而不是占多的n个对象。

相关进阶知识

python属于perl风格，属于传统型NFA引擎，与此相对的是POSIX NFA和DFA等引擎。所以大部分讨论都针对传统型NFA

传统型NFA中的顺序问题

NFA是基于表达式主导的引擎，同时，传统型NFA引擎会在找到第一个符合匹配的情况下立即停止：即得到匹配之后就停止引擎。
而POSIX NFA 中不会立刻停止，会在所有可能匹配的结果中寻求最长结果。这也是有些bug在传统型NFA中不会出现，但是放到后者中，会暴露出来。
引申一点，NFA学名为”非确定型有穷自动机“，DFA学名为”确定型有穷自动机“
这里的非确定和确定均是对被匹配的目标文本中的字符来说的，在NFA中，每个字符在一次匹配中即使被检测通过，也不能确定他是否真正通过，因为NFA中会出现回溯！甚至不止一两次。图例见后面例子。而在DFA中，由于是目标文本主导，所有对象字符只检测一遍，到文本结束后，过就是过，不过就不过。这也就是”确定“这个说法的原因。

回溯/备用状态

备用状态

当出现可选分支时，会将其他的选项存储起来，作为备用状态。当前的匹配失败时，引擎进行回溯，则会回到最近的备用状态。

匹配的情况中，匹配优先与忽略优先某种意义上是一致的，只是顺序上有所区别。当存在多个匹配时，两种方式进行的情况很可能是不同的，但是当不存在匹配时，他们俩的情况是一致的，即必然尝试了所有的可能。

回溯机制两个要点

在正则引擎选择进行尝试还是跳过尝试时，匹配优先量词和忽略优先量词会控制其行为。

匹配失败时，回溯需要返回到上一个备用状态，原则是后进先出（后生成的状态首先被回溯到）

回溯典型举例：



上图可以看到，传统型NFA到D点即匹配结束。而在阴影中POSIX NFA的匹配流程，需要找到所有结果，
并在这些结果中取最长的结果返回。

作为对比说明，下面是目标文本不能匹配时，引擎走过的路径：
如下图，我们看到此时POSIX NFA和传统型NFA的匹配路径是一致的。



以上的例子引发了一个匹配时的思考，很多时候我们应该尽量避免使用'.*' ,因为其总是可以匹配到最末或者行尾，浪费资源。
既然我们只寻求引号之间的数据，往往可以借助排除型数组来完成工作。
此例中，使用'[^'']*'这个来代替'.*'的作用显而易见，我们只匹配非引号的内容，那么遇到第一个引号即可退出*号控制权。

固化分组思想

固化分组的思想很重要，
但是python中并不支持。使用(?>...)括号中的匹配时如果产生了备选状态，那么一旦离开括号便会被立即
引擎抛弃掉（从而无法回溯！）。举个典型的例子如：

'\w+:'

这个表达式在进行匹配时的流程是这样的，会优先去匹配所有的符合\w的字符，假如字符串的末尾没有':'，即匹配没有找到冒号，此时触发回溯机制，他会迫使前面的\w+释放字符，并且在交还的字符中重新尝试与':'作比对。
但是问题出现在这里: \w是不包含冒号的，显然无论如何都不会匹配成功，可是依照回溯机制，引擎还是得硬着头皮往前找，这就是对资源的浪费。
所以我们就需要避免这种回溯，对此的方法就是将前面匹配到的内容固化，不令其存储备用状态！，那么引擎就会因为没有备用状态可用而只得结束匹配过程。大大减少回溯的次数！

Python模拟固化过程

虽然python中不支持，但书中提供了利用前向断言来模拟固化过程。

(?=(...))\1

本身，
断言表达式中的结果是不会保存备用状态的，而且他也不匹配具体字符，但是通过巧妙的
添加一个捕获型括号来反向引用这个结果，就达到了固化分组的效果！对应上面的例子则是：

'(?=(\w+))\1:'

多选结构

多选结构在传统型NFA中， 既不是匹配优先也不是忽略优先。而是按照顺序进行的。所以有如下的利用方式

在结果保证正确的情况下，应该优先的去匹配更可能出现的结果。将可能性大的分支尽可能放在靠前。

不能滥用多选结构，因为当匹配到多选结构时，缓存会记录下相应数目的备用状态。举例子：[abcdef]和‘a|b|c|d|e|f’这两个表达式，虽然都能完成你的某个目的，但是尽量选择字符型数组，因为后者会在每次比较时建立6个备用状态，浪费资源。

一些优化的理念和技巧

平衡法则

好的正则表达式需寻求如下平衡：

只匹配期望的文本，排除不期望的文本。(善于使用非捕获型括号，节省资源)

必须易于控制和理解。避免写成天书。。

使用NFA引擎，必须要保证效率（如果能够匹配，必须很快地返回匹配结果，如果不能匹配，应该在尽可能短的时间内报告匹配失败。）

处理不期望的匹配

在处理过程中，我们总是习惯于使用星号等非硬性规定的量词（其实是个不好的习惯），
这样的结果可能导致我们使用的匹配表达式中没有必须匹配的字符，例子如下：

'[0-9]?[^*]*\d*'    #只是举个例子，没有实际意义。

上面的式子就是这种情况，在目标文本是“理想”时，可能出现不了什么问题，但是如果本身数据有问题。那么这个式子的匹配结果就完全不可预知。

原因就在于他没有一部分是必须的！它匹配任何内容都是成功的。。。

对数据的了解和假设

其实在处理很多数据的时候，我们的操作数据情况都是不一样的，
有时会很规整，那么我们可以省掉考虑复杂表达式的情况，
但是反过来，当来源很杂乱的时候，就需要思考多一些，对各种可能的情形做相应的处理。

引擎中一般存在的优化项

编译缓存

反复使用编译对象时，应该在使用前，使用re.compile()方法来进行编译，这样在后面调用时不必每次重新编译。节省时间。尤其是在循环体中反复调用正则匹配时。

锚点优化

配合一些引擎的优化，应尽量将锚点单独凸显出来。对比^a|^b，其效率便不如^(a|b)

同样的道理，系统也会处理行尾锚点优化。所以在写相关正则时，如果有可能的话，将锚点使用出来。

量词优化

引擎中的优化，会对如.* 这样的量词进行统一对待，而不是按照传统的回溯规则，所以，从理论上说'(?:.)*' 和'.*'是等价的，不过具体到引擎实现的时候，则会对'.*'进行优化。速度就产生了差异。

消除不必要括号以及字符组

这个在python中是否有
未知。只是在支持的引擎中，会对如[.]中转化成\.，因为显然后者的效率更高（字符组处理引起额外开销）

以上是一些引擎带的优化，自然实际上是我们无法控制的的，不过了解一些后，对我们后面的一些处理和使用有很大帮助。

其他技巧和补充内容

过度回溯问题

消除指数级匹配

形如下面：

（\w+)*

这种情况的表达式，在匹配长文本的时候会遇到什么问题呢，如果在文本匹配失败时（别忘了，如果失败，则说明已经回溯了
所有的可能），想象一下，*号退一个状态，里面的+号就包括其余的
所有状态，验证都失败后，回到外面，*号
退到倒数第二个备用状态，再进到括号内，+号又要回溯一边比上一轮差1的
备用状态数，当字符串很长时，
就会出现指数级的回溯总数。系统就会'卡死'。甚至当有匹配时，这个匹配藏在回溯总数的中间时，也是会造成卡死的情况。所以，使用NFA的引擎时，必须要注意这个问题！
我们采用如下思路去避免这个问题：
占有优先量词（python中使用前向断言加反向引用模拟）
道理很简单，既然庞大的回溯数量都是被储存的备用状态导致的，那么我们直接使引擎放弃这些状态。说到底是摆脱(regex*)* 这种形式。

import re
re_lx = re.compile(r'(?=(\w+))\1*\d')

效率测试代码

在测试表达式的效率时，可借助以下代码比较所需时间。在两个可能的结果中择期优者。

import re
import time
re_lx1 = re.compile(r'your_re_1')
re_lx2 = re.compile(r'your_re_2')

starttime = time.time()
repeat_time = 100
for i in range(repeat_time):
s='test text'*10000
result = re_lx1.search(s)
time1 = time.time()-starttime
print(time1)

starttime = time.time()
for i in range(repeat_time):
s='test text'*10000
result = re_lx2.search(s)
time2 = time.time()-starttime
print(time2)

量词等价转换

现在来看看大括号量词的效率问题

1，当大括号修饰的对象是类似于字符数组或者\d这种
非确定性字符时，使用大括号效率高于重复叠加对象。即：

\d{5}优于\d\d\d\d\d

经测试在python中后者优于前者。会快很多.

2，但是当重复的字符时确定的某一个字符时，则简单的重复叠加对象的效率会高一些。这是因为引擎会对单纯的字符串内部优化（虽然我们不知道具体优化是如何做到的）

aaaaa 优于a{5}

总体上说'\d' 肯定是慢于'1'

我使用的python3中的re模块，经测试，不使用量词会快。
综上，python中总体上使用量词不如简单的列出来！（与书中不同！）

锚点优化的利用

下面这个例子假设出现匹配的内容在字符串对象的结尾，那么下面的第一个表达式是快于第二个表达式的，原因在于前者有锚点的优势。

re_lx1 = re.compile(r'\d{5}$')
re_lx2 = re.compile(r'\d{5}')    #前者快，有锚点优化

排除型数组的利用

继续，假设我们要匹配一段字符串中的5位数字，会有如下两个表达式供选择：
经过分析，我们发现\w是包含\d的，当使用匹配优先时，前面的\w会包含数字，之所以能匹配成功，或者确定失败，是后面的\d迫使前面的量词交还一些字符。
知道这一点，我们应该尽量避免回溯，一个顺其自然的想法就是不让前面的匹配优先量词涉及到\d

re_lx1 = re.compile(r'^\w+(\d{5})')
re_lx2 = re.compile(r'^[^\d]+\d{5}')    #优于上面的表达式

总体来说，在我们没有时间去深入研究模块代码的时候，只能通过尝试和反复修改来得到最终的复合预期的表达式。

常识优化措施

然而我们利用可能的提升效果去尝试修改的时候很有可能
适得其反
，
因为某些我们看来缓慢的回溯在正则引擎内部会进行一定的优化
，
“取巧”的修改又可能会关闭或者避开了这些优化，所以结果也许会令我们很失望。

以下是书中提到的一些
常识性优化措施：

避免重新编译（循环外创建对象）
使用非捕获型括号（节省捕获时间和回溯时状态的数量）
善用锚点符号
不滥用字符组
提取文本和锚点。将他们从可能的多选分支结构中提取出来，会提取速度。
最可能的匹配表达式放在多选分支前面

一个很好用的核心公式

’opening normal*(special normal*)* closing‘



这个公式
特别用来对于匹配在两个特殊分界部分（可能不是一个字符）内的normal文本，special则是处理当分界部分也许和normal部分混乱的情况。

有如下的三点避免这个公式无休止匹配的发生。

special部分和normal部分匹配的开头不能重合。一定保证这两部分在任何情况下不能匹配相同的内容，不然在无法出现匹配时遍历所有情况，此时引擎的路径就不能确定。

normal部分必须匹配至少一个字符

special部分必须是固定长度的

举个例子：

[^\\"]+(\\.[^\\"]+)* #匹配两个引号内的文本，但是不包括被转义的引号