正则表达式的回溯机制

正则表达式的引擎分析

• 正则表达式的引擎有两个特点：
  1.默认情况下都是贪婪匹配。
  2.引擎总是着急的，会返回最先匹配到结果

• 正则引擎的工作原理举例：
  当把cat应用到“He captured a catfish for his cat”，引擎先比较c和“H”，结果失败了。于是引擎再比较c和“e”，也失败了。直到第四个字符，c匹配了“c”。a匹配了第五个字符。到第六个字符t没能匹配“p”，也失败了。引擎再继续从第五个字符重新检查匹配性。直到第十五个字符开始，cat匹配上了“catfish”中的“cat”，正则表达式引擎急切的返回第一个匹配的结果，而不会再继续查找是否有其他更好的匹配。

回溯机制

• 回溯原理的简单解释
  前面的引擎分析，只是针对简单的正则匹配分析，但是我们都知道正则表达式中还有很多模糊的条件匹配。这时候引擎该如何处理呢？对于计算机而言，处理模糊匹配的最好办法就是穷举，把所有可能的结果都找一遍，别忘了引擎本身都是着急的，也就是说当他匹配到一种可能性之后就不会再匹配剩余的结果。其中这种根据可能性查找的机制就叫回溯。
  举个例子：用正则表达式 <.+>匹配字符串“This is a <EM>first</EM> test”，在这里首先<.+会先匹配出 “<EM>first</EM> test”，但是当>匹配换行符的时候会失败，如果前面你没有用.+这类的模糊语义的话，字符串就会匹配失败，但是由于你用.+这种模糊语义，等于给予了计算机更多的可能性，于是计算机会从最近的可能找起，因此>就会按照可能的顺序去匹配“t”,
  “s”,“e”···一直匹配到">"，由于引擎是着急的，所以他马上就返回了匹配结果“<EM>first</EM>”。

• 分支和回溯
  下面的例子演示了这一过程是如何处理分支的。

  /h(ello|appy) hippo/.test("hellothere, happyhippo");

  此正则表达式匹配“hellohippo”或“happyhippo”。测试一开始，它要查找一个h，目标字符串的第一个字母恰好就是h，它立刻就被找到了。接下来，子表达式（ello|appy）提供了两个处理选项。正则表达式选择最左边的选项（分支选择总是从左到右进行），检查ello是否匹配字符串的下一个字符。确实匹配，然后正则表达式又匹配了后面的空格。然而在这一点上它走进了死胡同，因为hippo 中的h 不能匹配字符串中的下一个字母t。此时正则表达式还不能放弃，因为它还没有尝试过所有的选择，随后它回溯到最后一个检查点（在它匹配了首字母h 之后的那个位置上）并尝试匹配第二个分支选项。但是没有成功，而且也没有更多的选项了，所以正则表达式认为从字符串的第一个字符开始匹配是不能成功的，因此它从第二个字符开始，重新进行查找。它没有找到h，所以就继续向后找，直到第14 个字母才找到，它匹配happy的那个h。然后它再次进入分支过程。这次ello未能匹配，但是回溯之后第二次分支过程中，它匹配了整个字符串“happyhippo”。匹配成功了。

• 重复与回溯
  下一个例子显示了带重复量词的回溯。

  //测试用的字符串var str = "<p>Para </p>" +"<img src='smiley.jpg'>" +"<p>Para </p>" +"<div>Div.</div>";//正则表达式匹配测试/<p>.*<\/p>/i.test(str);

  正则表达式一上来就匹配了字符串开始的<p>。然后是.*。点号匹配除换行符以外的任意字符，星号这个贪婪量词表示重复零次或多次——匹配尽量多的次数。因为目标字符串中没有换行符，它将吞噬剩下的全部字符串！不过正则表达式模板中还有更多内容需要匹配，所以正则表达式尝试匹配<。它在字符串末尾匹配不成功，所以它每次回溯一个字符，继续尝试匹配<，直到它回到</div>标签的<位置。然后它尝试匹配\/（转义反斜杠），匹配成功，然后是p，匹配不成功。正则表达式继续回溯，重复此过程，直到第二段末尾时它终于匹配了</p>。匹配返回成功，它从第一段头部一直扫描到最后一个的末尾，这可能不是你想要的结果。

• 注意事项

  1.注意减少正则表达式的回溯次数，如果回溯过多，会导致回溯失控出现，即 当一个正则表达式占用浏览器上秒，上分钟或者更长时间。
  2.尽可能的使用简单，明确的语义去编写，正则表达式。
  3.其他优化事项见正则表达式优化诀窍