Java正则表达式使用的引擎实现是
NFA
正则表达式引擎
正则表达式引擎有两种实现方式: DFA自动机(Deterministic Final Automata 确定型有穷自动机)和NFA自动机(Non Deterministic Finite Automation 不确定性有穷自动机)
-
DFA自动机
-
时间复杂度是线性的, 更加稳定，但是功能有限
-
-
DFA自动机
-
时间复杂度不稳定，有时候好，有时候坏。取决于正在则表达式的书写.
-
功能强大
-
NFA自动机运行原理
text = "Today is a nice day" regex = "day"
NOTE: NFA是以正则表达式为基准去匹配的。也就是说, NFA自动机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， 拿到正则表达式第一个匹配符
d. 浴室拿去和字符串进行比较-
字符串第一个字符为
T, 不匹配，换下一个 -
第二个是
o, 也不匹配 -
第三个是
d, 匹配了成功, 并读取匹配规则的第二个字符a
-
-
读取到正则表达式的第二个匹配符:
a, 拿着这个匹配符和字符串的第四个字符串a比较，匹配成功。紧接着读取正则表达式的第三个字符:y -
读取到正则表达式的第三个匹配符:
y. 用匹配符和字符串的第五个字符y比较, 又匹配了。尝试读取正则表达式的下一个字符, 读取完毕, 匹配结束.
NFA自动机的回溯
text = "abbc";
regex="ab{1,3}c"
上面的例子中, 执行过程如下
-
首先, 读取正则表达式第一个匹配符a和字符串第一个字符
a进行比较, 匹配了。于是读取正则表达式第二个字符. -
读取正则表达式第二个匹配
b{1,3}和字符串的第二个字符b比较, 匹配了。但因为b{1,3}表示1-3个b字符串，以及NFA自动机的贪婪特性(也就是说要尽可能多地匹配), 所以此时并不会再去读取下一个正则表达式的匹配符,而是依旧使用b{1,3}和字符串的第三个字符b比较, 发现还是匹配.于是继续使用b{1,3}和字符串的第四个字符串c比较, 发现不匹配了，此时就会发生回溯 -
发生回溯后, 我们已经读取的字符串第四个字符
c将被吐出去, 指针回到第三个字符串的位置。之后, 程序读取表达式下一个操作符c， 读取当前指针的下一个字符c进行对比, 发现匹配。 于是读取下一个操作符。
^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~\/])+$
需要匹配的url链接为:
http://www.fapiao.com/dddp-web/pdf/download?request=6e7JGxxxxx4ILd-kExxxxxxxqJ4-CHLmqVnenXC692m74H38sdfdsazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf
这个正则表达式分为三个部分：
-
第一部分: 检验协议.
^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://) -
第二部分: 检验域名.
(([A-Za-z0-9-~]+).)+ -
第三部分: 检验参数.
([A-Za-z0-9-~\/])+$
通过上面正则表达式检验协议http://这部分是没有问题的, 但是在校验www.fapiao.com的时候, 使用了xxx.这种方式去校验,
-
匹配到
www. -
匹配到
fapiao. -
匹配到
com/dddp-web/pdf/download?request=6e7JGxxxxx4ILd-kExxxxxxxqJ4-CHLmqVnenXC692m74H38sdfdsazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf, 因为贪婪匹配的原因, 所以程序会一直读后面的字符串进行匹配, 最后发现没有点号, 于是就一个个字符回溯回去.
另外一个问题是正则表达式的第三部分, 我们发现出现问题的URL是有下划线(_)和百分号(%)的，但是第三部分的正则表达式里面却没有. 这样就会导致前面匹配了一长串的字符之后, 发现不匹配, 最后回溯回去。
解决上述问题
public static void main(String[] args) {
String badRegex = "^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~_%\\/])+$";
String bugUrl = "http://www.fapiao.com/dddp-web/pdf/download?request=6e7JGxxxxx4ILd-kExxxxxxxqJ4-CHLmqVnenXC692m74H38sdfdsazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf";
if (bugUrl.matches(badRegex)) {
System.out.println("match!!");
} else {
System.out.println("no match!!");
}
}
正则表达式三种模式
正则表达式中有三种模式：贪婪模式,懒惰模式,独占模式
在关于数量匹配中, 有+,?,*,{min, max}四种, 如果只是单独使用, 默认使用贪婪模式
如果在他们之后多加一个?符号, 那么原先的贪婪模式就汇变成懒惰模式, 极可能少地匹配. 但是懒惰模式还是会发生回溯现象的。
text="abbc"
regex="ab{1,3}?c"
-
正则表达式的第一个操作符
a与字符串第一个字符a匹配, 匹配成功。 -
正则表达式第二个操作符
b{1,3}?和字符串第二个字符串b匹配， 匹配成功 -
因为最小匹配原则, 所以拿正则表达式第三个操作符
c与字符串第三个字符b匹配, 发现不匹配 -
回溯操作, 拿正则表达式第二个操作符
b{1,3}?和第三个字符b匹配, 匹配成功 -
拿正则表达式第三个操作符
c与字符串第三个字符b匹配, 匹配成功, 于是结束.
如果在他们之后多加一个+号, 那么原先的贪婪模式就变成独占模式, 尽可能多地匹配。但是不会素.
于是乎, 如果要彻底解决问题, 就要在保证功能的同事不发生回溯. 我将上面校验URL的正则表达式的第二部分多加了一个+号,
^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)
(([A-Za-z0-9-~]+).)++ --->>> （这里加了个+号）
([A-Za-z0-9-~\/])+$
检测工具
可以通过regex debugger工具进行检测
