不同语言中正则引擎的差异研究

2021 年 01 月 04 日

2997 次浏览

2524字数

正则引擎分类

有两种类型的引擎：文本导向(text-directed)的引擎和正则导向(regex-directed)的引擎。Jeffrey Friedl把他们称作DFA和NFA引擎。这是一些非常有用的特性，如“惰性”量词(lazy quantifiers)和反向引用(backreferences)，只能在正则导向的引擎中实现。所以毫不意外这种引擎是目前最流行的引擎。
你可以轻易分辨出所使用的引擎是文本导向还是正则导向。如果反向引用或“惰性”量词被实现，则可以肯定你使用的引擎是正则导向的。你可以作如下测试：将正则表达式<<regex|regex not>>应用到字符串“regex not”。如果匹配的结果是regex，则引擎是正则导向的。如果结果是regex not，则是文本导向的。因为正则导向的引擎是“猴急”的，它会很急切的进行表功，报告它找到的第一个匹配。

正则导向的引擎总是返回最左边的匹配

这是需要你理解的很重要的一点：即使以后有可能发现一个“更好”的匹配，正则导向的引擎也总是返回最左边的匹配。

正则语法字符

语法中可能会用到的字符为: ^$.,*+?()[]{}<>\|
这其中，只有 ,{}<> 可以不转义，其他字符必须在前面使用\进行转义，才能匹配自身字符。
但是，如果你想匹配{1}或者{1,2}，用他自身就不能匹配，因为命中了正则的格式规则，他们有如下规律。

语言	正则模式	目标字符串	匹配结果
js	{1}	{1}	报错
js	\{1}	{1}	true
js	\{1\}	{1}	true
js	{}	{}	true
js	{a}	{a}	true
js	{\d}	{1}	true
js	{1,2}	{1,2}	报错
js	{\d,2}	{1,2}	true

发现，只要模式中没有特殊语法，{}是不需要转义的，当他没有闭合，或者其中的字符不是数字或者数字区间。其他语言没有测试，感兴趣的自己测试吧。

特殊用法支持情况

写了一部分,并不全,其他正则环境自己测试,用自己写的小工具测试的,暂时挺好用https://tools.moozik.cn/

字符	模式	语法\语言	sed	gawk	js	php
123	...	.	`TRUE`	`TRUE`	`TRUE`	`TRUE`
12456zzz	123456.*	*	`TRUE`	`TRUE`	`TRUE`	`TRUE`
123456456	[0-9]+	+	FALSE	`TRUE`	`TRUE`	`TRUE`
123456	1234?567?	?	FALSE	`TRUE`	`TRUE`	`TRUE`
123	^123$	^$	`TRUE`	`TRUE`	`TRUE`	`TRUE`
123	12(3\|4)	\|	FALSE	`TRUE`	`TRUE`	`TRUE`
123456456	123(456)*	()	FALSE	`TRUE`	`TRUE`	`TRUE`
123456456	[0-9]*	[]	`TRUE`	`TRUE`	`TRUE`	`TRUE`
123456456	[0-9]{9}	{a,b}	FALSE	`TRUE`	`TRUE`	`TRUE`
123	\d	\d	FALSE	FALSE	`TRUE`	`TRUE`
123	\w	\w	`TRUE`	`TRUE`	`TRUE`	`TRUE`
" "	\s	\s	FALSE	FALSE	`TRUE`	`TRUE`
123	(?[0-9])	分组	FALSE	FALSE	`TRUE`	`TRUE`
\n	\n	\n	FALSE	FALSE	`TRUE`	`TRUE`