首页 > 代码库 > 南瓜不说话(M01)-正则表达式原理
南瓜不说话(M01)-正则表达式原理
- 文法
-
一个文法可以用一个四元来定义,G = {Vt,Vn,S,P}
- Vn:一个非空有限的符号集合,它的每个元素称为非终结符号,并且Vt∩Vn=Φ;
- S∈Vn,称为文法G的开始符号;
- P是一个非空有限集合,它的元素称为产生式;
- 产生式是指,其形式为α→β,α称为产生式的左部,β称为产生式的右部,符号“→”表示“定义为”,并且α、β∈(Vt∪Vn)*,α≠ε,即α、β是由终结符和非终结符组成的符号串;
- 开始符S必须至少在某一产生式的左部出现一次;
- 0型文法要求至少含有一个非终结符,基本没有什么限制,一个非常重要的理论结果是:0型文法的能力相当于图灵机
- 1型文法也叫上下文有关文法,对应于线性有界自动机,要求每个产生式α→β,都有|β|>=|α|,|β|指长度;
- 2型文法也叫上下文无关文法,对应于下推自动机,要求在1型文法的基础上,再满足:每一个α→β都有α是非终结符;
- 3型文法也叫正则文法,它对应于有限状态自动机。它是在2型文法的基础上满足:A→α|αB(右线性)或A→α|Bα(左线性)。
- 1型文法是0型文法的一个子集,2型文法是1型文法的一个子集,,3型文法是2型文法的一个子集
- 当引擎读入文本t时,记录匹配的位置是 t o(nite|knight|night);
- 接着读入o,匹配位置t o (nite|knight|night);
- 读入n,匹配位置to( n ite|knight| n ight),两个位置,knight被淘汰出局;
- ...
- to(nite|knight|night)
- tonite|toknight|tonight
- to(k?night|nite)
- 参考: http://www.cnblogs.com/longhuihu/p/4128203.html
文法可推导的语言标记为L(G);
根据对产生式所施加的限制的不同,把文法分成0型、1型、2型和3型四种类型。
3型文法(正则文法)与正则表达式(Regular Expression)是等价的,任意一个正则文法总是可以转化成一个等价的正则表达式。同时正则表达式与有限自动机是等价的。
一个能由有限自动机识别的语言,必然可以用正则表达式来表示,而一个用正则表达式表示的语言一定可以用一个有限自动机来识别。
有限状态自动机
有限自动机分为多种最常见的是:确定型有限自动机(DFA)和非确定型有限自动机(NFA)两种;
DFA的文法描述是:G = {S,ε, f,S0,Z} NFA的文法描述是:M = {S,ε, f,S0,Z} S:一个非空有限的输入符号集合; S:一个非空有限的输入符号集合; ε:使状态改变的输入符号集合; ε:使状态改变的输入符号集合; f:映射; f:映射; S0:初始状态; S0:初始状态集合; Z:终止状态; Z:终止状态; f(S,a)=G的描述是:初始S状态再输入a的条件下转化到G状态:
每一个NFA都可以转化为一个DFA如图:
DFA和NFA的效率差异
很容易理解,构造DFA的代价远大于NFA,假设NFA的状态数为K,那么等价DFA的状态数目理论上可达2的k次方,不过实际上几乎不会出现这么极端的情况,
可以肯定的是构造DFA会消耗更多的时间和内存。
但是DFA一旦构造好了之后,执行效率就非常理想了,如果一个串的长度是n,那么匹配算法的执行复杂度是O(n);而NFA在匹配过程中,存在大量的分支和回朔,
假设NFA的状态数为s,因为每输入一个字符可能达到的状态数做多为s,那么匹配算法的复杂度及时输入串的长度乘以状态数O(ns)。
正则表达式的NFA&DFA构造、转化、简化有一整套理论及方法,远比上面的例子复杂,本文仅通过一个简单的例子来说明原理。
NFA:表达式主导
从表达式的第一个部分开始,每次检查一部分,同时检查当前文本是否匹配表达式的当前部分,如果是,则继续表达式的下一部分,如此继续,
直到表达式的所有部分都能匹配,即整个表达式匹配成功。
我们来看表达式
to(nite|knight|night)
匹配文本...tonight...
的过程: 表达式的第一个部分是t,它会不断重复扫描,直到在字符串中找到t,之后就检查随后的o,如果能匹配就继续检查下面的元素。这个例子中,下面的元素是
(nite|knight|night)
,意思是nite或者knight或者night,引擎会依次尝试这三种可能。
整个过程,控制权在表达式的元素之间转换,因此被称之为“表达式主导”。“表达式主导”的特点是每个子表达式都是独立的,不存在内在联系。
子表达式与整个正则表达式的控制结构(多选、量词)的层级关系控制了整个匹配过程。
DFA:文本主导
DFA在读入一个文本的时候,会记录当前有效的所有匹配的表达式位置(这些位置集合对应于DFA的一个状态)。以上面的匹配过程为例:
这种方式被称之“文本主导”是因为被扫描的字符串,控制了引擎的执行过程。
差异之一:NFA表达式影响引擎
NFA表达式主导的特性,使得通过修改正则表达式来影响引擎,因此下面三个表达式尽管能够匹配同样的文本,但是引擎的执行过程各不相同:
但是对于DFA来说,没有任何区别。
差异之二:DFA能保证最长匹配
对于包含或选项的表达式,NFA在成功匹配一个选项之后可能报告匹配成功,此时并不知道后面的选项是否也会成功,是否包含一个更长的匹配。
假设使用
one(self)?(selfsufficient)?
来匹配oneselfsufficient
,NFA首先匹配one,然后匹配self,此时发现selfsufficient
无法匹配剩余子串,但是这个子表达式不是必须的,因此可以立即返回成功,此时匹配的串为
oneself
。实际上NFA引擎的匹配结果与具体实现有关,而DFA必然会成功匹配
oneselfsufficient
。差异之三:NFA支持更多功能
NFA能够支持“捕获group”,“环视”,“占有优先量词”,“固话分组”等高级功能,这些功能都基于“子表达式独立进行匹配”这一特点。
而DFA无法记录匹配历史与子表达式之间的关系,因而也无法实现这些功能。
可见NFA引擎具备更大的实用价值,因而,我们在编程语言里面使用的正则表达式库都是基于NFA的。java的Pattern就是基于NFA的,Pattern.compile()
方法显然就是在构造NFA状态图。
Vt:一个非空有限的符号集合,它的每个元素称为终结符号;
南瓜不说话(M01)-正则表达式原理