構(gòu)建掃描器程序的兩個(gè)重要方法

boolean hitEnd()

• 返回true，說明結(jié)尾有更多的字符可能會(huì)改變本次的匹配結(jié)果(匹配成功變成失敗，失敗變成成功，或者匹配內(nèi)容發(fā)生改變)
• 返回false，說明結(jié)尾有更多的字符不會(huì)改變本次的匹配結(jié)果

boolean requireEnd()
只有匹配成功該方法的返回值才有意義

• 返回true，說明結(jié)尾有更多的字符可能會(huì)使得本次匹配失敗
• 返回false，說明結(jié)尾有更多的字符不可能會(huì)使得本次匹配失敗，雖然可能會(huì)影響本次匹配的細(xì)節(jié)，如匹配內(nèi)容發(fā)生改變

消除循環(huán)

(normal)*(special(normal)*)*

• 防止special部分造成的循環(huán)

special要能寫成start(middle)*end

1. start-end 和middle 匹配的是無交集的兩部分
2. start和end是固化的文本，且start和end至少存在一部分,middle可不存在

• start(middle)* 是為了防止此模式匹配成功后，外層(...)*表達(dá)式還能夠繼續(xù)匹配，導(dǎo)致內(nèi)部和外部遞歸匹配一段文本,加上start，當(dāng)middle回溯文本時(shí)，外部無法再匹配內(nèi)部交還的文本
• (middle)*end 是為了防止本次的匹配成功，如果本次不能匹配成功，那么外部也無法繼續(xù)應(yīng)用該表達(dá)式了，

• 防止normal部分造成的循環(huán)

• 把start看成special，middle看成normal，也就保證了(special(normal))不會(huì)造成無休止的匹配了,這是(start(middle)end)缺少end的一種形式

表達(dá)式的優(yōu)化

• 對(duì)于(.*)(Suffix)這種以.*匹配優(yōu)先開始的表達(dá)式通常可以在開頭使用行開頭錨點(diǎn)標(biāo)記^,
  得到^(.*)(Suffix)

• 這樣傳動(dòng)裝置只會(huì)在文本開頭應(yīng)用一次該表達(dá)式，因?yàn)槠ヅ鋬?yōu)先總是能夠匹配完全部的文本，當(dāng)(Suffix)匹配時(shí)，會(huì)強(qiáng)迫之前的表達(dá)式歸還文本，所以如果能夠匹配成功，(Suffix)匹配的總是文本中最后一個(gè)滿足的匹配，以后的文本不存在能夠與(Suffix)相匹配的了，所以后面的嘗試都是多余的，而使用^行錨點(diǎn)標(biāo)記，傳動(dòng)裝置將不會(huì)做多余的嘗試.

• 將結(jié)尾部分分散到多選結(jié)構(gòu)內(nèi)，使用(?:com\b|edu\b|org\b|int\b|net\b|biz\b|coop\b|areo\b)而不使用(?:com|edu|org|int|net|biz|coop|areo)\b，后者每當(dāng)一個(gè)多選分支匹配成功后，將退出多選分支，但是在\b將失敗，此時(shí)又會(huì)回溯，如果將\b添加在多選結(jié)構(gòu)內(nèi)，則在未退出多選結(jié)構(gòu)就能發(fā)現(xiàn)匹配失敗，這個(gè)優(yōu)化是有風(fēng)險(xiǎn)的，如果表達(dá)式是(?:this|that):則改(?:this:|that:)就違背了將獨(dú)立文本單獨(dú)出來的思想，任何的優(yōu)化都是平等的，可能會(huì)因小失大，
• 考慮到如果是位置匹配之類的可以放入到多選結(jié)構(gòu)內(nèi)，但是如果尾部是$，即行結(jié)尾標(biāo)記，則又將失去行結(jié)束錨點(diǎn)的優(yōu)化，也就是除了一些特殊的位置標(biāo)記，其他可以放入到多選結(jié)構(gòu)內(nèi)，而一些單純的文本則不放入，將他們單獨(dú)分離出來，可以得到文本中必須出現(xiàn)字符或字符串優(yōu)化.

\G使用之前匹配結(jié)束的位置

• regex = "\\G(?:\\d{5})*?(44\\d{3})?"
  如果使用該表達(dá)式匹配文本，一旦匹配的文本長度為0，則將不會(huì)在進(jìn)行匹配，因?yàn)槭褂玫氖侵捌ヅ浣Y(jié)束的位置，傳動(dòng)裝置將不會(huì)驅(qū)動(dòng)，使用引擎能知道下次在該處匹配也得到相同的結(jié)果，會(huì)無限循環(huán)

匹配44開頭的5位數(shù)美國郵政編碼(ZIP Codes)

• 目標(biāo)文本是類似這樣的
  03824531449411615213441829505344272752010217443235
• 匹配的難題是在某次匹配失敗時(shí)，傳動(dòng)裝置會(huì)驅(qū)動(dòng)前進(jìn)一個(gè)字符，再次進(jìn)行匹配，而如果此時(shí)的匹配成功顯然不是我們需要的，因?yàn)檫@個(gè)郵政編碼在數(shù)據(jù)中可能根本不存在，
• 我使用的辦法是在進(jìn)行匹配的開始，要保證左邊必須是5的倍數(shù)數(shù)字，所以使用正則表達(dá)式(?<=^(?:\d{5})*)44\d{3},但這將使用逆序環(huán)視進(jìn)行掃描不定長度的文本，一些正則引擎可能不支持，
• 另一個(gè)辦法是保證數(shù)據(jù)的協(xié)調(diào)性，出現(xiàn)匹配錯(cuò)誤數(shù)據(jù)的原因主要是傳動(dòng)裝置的驅(qū)動(dòng)，導(dǎo)致了數(shù)據(jù)的錯(cuò)位，實(shí)際上如果不是從5的倍數(shù)的位置開始匹配，即使成功，也是沒有意義的數(shù)據(jù)，所以可以使用一些表達(dá)式來跳過(匹配)不是44開頭的的5位數(shù)ZIP Codes，

3個(gè)辦法

• [1235-9]\d{4}|\d[1235-9]\d{3} (如果開頭44則失配)
• (?!44)\d{5} (如果開頭不是44則匹配)
• (\d{5}*?) 使用忽略優(yōu)先量詞，當(dāng)我們使用的44\d{3}不能匹配的時(shí)候，強(qiáng)制要求該表達(dá)式進(jìn)行匹配，這樣就可以進(jìn)行一次44開頭的5位數(shù)匹配，失敗，則直接跳過(匹配)不需要的5位數(shù)，再次進(jìn)行嘗試，

總結(jié)

• 上面的辦法就可以保證每次在需要匹配我們需要的數(shù)據(jù)的時(shí)候，位置是從5的倍數(shù)的位置開始匹配的，因?yàn)槟鼙ＷC總是能夠匹配，

匹配失敗時(shí)候仍然會(huì)出現(xiàn)數(shù)據(jù)的不協(xié)調(diào)性

• 當(dāng)最后不存在任何以5的倍數(shù)位置開始的44開頭的5位數(shù)的ZIP Codes時(shí)(但存在其他的ZIP Codes)，這個(gè)時(shí)候會(huì)整體匹配失敗，接下里，數(shù)據(jù)的不協(xié)調(diào)性問題又出現(xiàn)了，
• 接下來由于傳動(dòng)裝置的驅(qū)動(dòng)，強(qiáng)制在下一個(gè)位置進(jìn)行嘗試匹配，這就導(dǎo)致在不是5的倍數(shù)的位置上進(jìn)行匹配，是沒有意義的，
• 所以此時(shí)的急救措施可能會(huì)對(duì)我們要匹配數(shù)據(jù)的表達(dá)式使用可選的匹配——(44\d{3})?，
• 但是這也確實(shí)能夠解決這個(gè)問題，除了第三個(gè)表達(dá)式不可以，因?yàn)樗麑⒖偸悄軌虺晒Γ赡軙?huì)匹配0長度文本，仍然導(dǎo)致傳動(dòng)裝置的驅(qū)動(dòng)，另外兩個(gè)的表達(dá)式都是匹配優(yōu)先的，當(dāng)最后匹配到文本結(jié)束時(shí)，嘗試(44\d{3})?，其只能夠成功，所以也就不存在失配導(dǎo)致的數(shù)據(jù)不協(xié)調(diào)性了。

優(yōu)缺點(diǎn)

• 即使內(nèi)容中不存在任何我們需要的44開頭的5位數(shù)ZIP Codes，但它也總是能夠匹配成功，
• 但是卻具有較高的匹配速度,因?yàn)椴恍枰厮荩ヅ溥^程中也不會(huì)有傳動(dòng)裝置的驅(qū)動(dòng)

推薦解決方法

• 更加通用的辦法是使用\G

正確表達(dá)式正確匹配一個(gè)字符串

• "(\\.|[^"\\\n])*+"
  該表達(dá)式使用占有優(yōu)先量詞純粹是為了提高報(bào)告匹配失敗的速度
• "(\\.|[^"\n])*+"
  該表達(dá)式必須使用占有優(yōu)先量詞，防止回溯使得第二個(gè)分支匹配\

關(guān)于正則引擎

• NFA支持一些DFA不支持的功能

1. 捕獲型括號(hào)
2. 反向引用(是因?yàn)椴恢С?code>1)
3. 忽略優(yōu)先量詞(因?yàn)?code>DFA盡量保證匹配當(dāng)前位置最長的文本,所以沒有意義)
4. 所以也不會(huì)支持占有優(yōu)先量詞，和固化分組，和3的道理一樣
5. 不支持環(huán)視

• 但是DFA具有匹配效率很快，穩(wěn)定，總是能得到確定的結(jié)果(匹配最左最長的文本)，但其在編譯階段會(huì)花費(fèi)較長的時(shí)間和內(nèi)存
• 傳統(tǒng)型的NFA是控制能力最強(qiáng)的正則引擎，因此使用者可以使用該引擎的表達(dá)式主導(dǎo)的性質(zhì)來精確控制匹配過程。

傳統(tǒng)型NFA的多選分支

• 它既不是匹配優(yōu)先的也不是忽略匹配優(yōu)先的，而是按照表達(dá)式在多選分支的順序逐個(gè)嘗試，當(dāng)當(dāng)前的表達(dá)式匹配失敗后，將嘗試下一個(gè)表達(dá)式，即為每個(gè)表達(dá)式匹配開始時(shí)候都保存一個(gè)備用狀態(tài)，
• 正是因?yàn)槿绱耍匀绻麄溆玫谋磉_(dá)式存在多個(gè)可以與原文本匹配的可能，一定要控制好順序，
• 像這樣的多選分支沒有意義a((ab)\*|a\*)因?yàn)榈谝粋€(gè)子表達(dá)式(ab)*永遠(yuǎn)也不會(huì)匹配失敗，

一些匹配上的細(xì)節(jié)

• 關(guān)于捕獲型括號(hào)
  ((regex)?)在這個(gè)表達(dá)式中存在兩個(gè)group，其中group1和group2都可能成功捕獲到regex匹配的內(nèi)容，但是group1還可能捕獲到長度為0的字符串，但此時(shí)，group2沒有被應(yīng)用，其值為NULL

用肯定環(huán)視模擬固化分組

當(dāng)環(huán)視成功以后，其中的備用狀態(tài)將會(huì)被丟棄，所以可以使用回溯引用來捕獲剛剛環(huán)視的內(nèi)容如(?=(regex))\1,這個(gè)時(shí)候\1就是一段固定的文本值了，在對(duì)文本值\1進(jìn)行匹配的過程中顯然不會(huì)保存任何備用狀態(tài)。所以使用\1的匹配達(dá)到了一個(gè)固化分組的匹配效果

• (?>regex)可以使用(?=(regex))\1來模擬，但通常固化分組的效率要更高些，因?yàn)榄h(huán)視的嘗試匹配后，接下來\1還會(huì)在重復(fù)進(jìn)行一次匹配，只不過這次將會(huì)消費(fèi)文本.

關(guān)于regex測(cè)試器

• java和intellij的regex都是采用當(dāng)前匹配的開始位置
• regexr.com的regex采用之前匹配的結(jié)束位置

關(guān)于NFA和DFA

• NFA 表達(dá)式主導(dǎo)
• DFA 文本主導(dǎo)
• NFA支持忽略優(yōu)先量詞，DFA不支持，
• 對(duì)于哪個(gè)分支應(yīng)答首先選擇？
  優(yōu)先量詞將采取進(jìn)行嘗試，而忽略優(yōu)先量詞采取跳過嘗試
• 備用狀態(tài)，回溯進(jìn)行時(shí)，應(yīng)該選取哪個(gè)保存的狀態(tài)？
  當(dāng)本地失敗時(shí)將選擇最近保存的狀態(tài)，使用的原則是LIFO(后進(jìn)先出，類似棧)

簡單的判斷正則引擎

• 首先如果該引擎支持忽略優(yōu)先量詞，那么基本就能確定這是traditional nfa引擎了，因?yàn)?strong>忽略優(yōu)先量詞在dfa中不支持，且在POSIX nfa引擎中也沒有意義(我的猜測(cè)是這這個(gè)引擎的標(biāo)準(zhǔn)量詞可能默認(rèn)是貪婪型的)，為了測(cè)試這一點(diǎn)可以使用模式nfa|nfa not匹配nfa not如果成功匹配的只是nfa，那么則能確定這是traditional nfa引擎，否則nfa not都能匹配，那么只可能是POSIX nfa或dfa引擎了
• 如果之前的判斷排除它是traditional nfa引擎的可能，那么接下來要判斷它是POSIX nfa還是dfa引擎，dfa引擎是不支持捕獲性括號(hào)，所以自然也不支持回溯引用，但是一些混合使用兩種引擎的系統(tǒng)，當(dāng)沒有使用捕獲型括號(hào)，那么將使用dfa引擎
• 所以單純的通過其是否支持某些特性來判斷一個(gè)引擎將過于草率，其實(shí)可以通過下面的這個(gè)測(cè)試?yán)蛹纯膳袛喑鍪?code>POSIX nfa還是dfa引擎

使用模式:
X(.+)+X
匹配文本:
XX-----------------------------------------------------------------------

如果匹配要花費(fèi)很長的時(shí)間，那就是

之前匹配的結(jié)束位置，還是當(dāng)前匹配的開始位置

在對(duì)一個(gè)文本進(jìn)行多次匹配時(shí)，如果之前匹配的文本長度大于0，則下次匹配的時(shí)候?qū)⑹褂弥捌ヅ涞慕Y(jié)束位置，否則傳動(dòng)裝置將強(qiáng)行前進(jìn)到下一個(gè)字符，就使用當(dāng)前匹配的開始位置

匹配模式(?mode)和作用域

模式

• i 忽略大小寫匹配
• x 寬松排列和注釋模式
• s 點(diǎn)號(hào)通配模式
• m 增強(qiáng)的行錨點(diǎn)模式

作用域

• (otherRegex)(?mode)(targetRegex)(?-mode)(otherRegex)
  在上面的例子中(?mode)會(huì)啟用該模式并作用于targetRegex直到(?-mode)將停用此功能
• (otherRegex)(?:(?mode)targetRegex)(otherRegex)
  在上面的例子中(?mode)會(huì)啟用該模式并作用于targetRegex直到閉括號(hào)的結(jié)束
• (otherRegex)(?mode:targetRegex)(otherRegex)
  上面表達(dá)式的一種簡寫方式，表示模式的修飾范圍只在括號(hào)內(nèi)有效

(page: 135)

Java regex 字符組集合操作

假如要匹配除元音字母的其他任意英語小寫字母，則可寫為
[[a-z]&&[^aeiou]]
[...]&&[^....]來表示-的集合操作

同時(shí)也可以使用環(huán)視來模擬此功能:

• [a-z](?<![aeiou])
• [a-z](?<=[^aeiou])

上面的意思是先匹配一個(gè)字母，然后再確保匹配好的字符不能是元音字母

• (?![aeiou])[a-z]
• (?=[^aeiou])[a-z]

上面的意思是先把光標(biāo)定位到除元音字母以外的任意字符的左邊，然后匹配小寫字母

Java使用regex的/x模式，內(nèi)嵌注釋

String regex = "(?x)M" +
                "#This is an Note\n" +
                "A#666\n";

• 實(shí)際上得到的正則表達(dá)式是：(?x)MA
• 也即#和Ln包括它們之間的字符都將被視為注釋

Java字符串文本與正則表達(dá)式的關(guān)系

regex = "(?x)S S\t\\t\n\\n"

因?yàn)?code>(/x)的模式的影響，忽略所有的空白字符作為最后的regex，這可能會(huì)讓人有點(diǎn)疑惑，那為什么\t和\n依然存在，這是因?yàn)?code>\t和\n分別是兩個(gè)字符\, t和\, n字符的組合，這些字符本身都不是空白字符，只是regex用來匹配的時(shí)候會(huì)將\t和\n視為元序列字符，分別匹配制表符和換行符

環(huán)視

• 肯定順序環(huán)視(?=)
• 肯定逆序環(huán)視(?<=)
• 否定順序環(huán)視(?!)
• 否定逆序環(huán)視(?<!)
• 利用環(huán)視可以模擬一些流派上不支持的正則表達(dá)式符號(hào)，

但元字符卻具有更高的效率

為451545類似的數(shù)值從右往左每3個(gè)數(shù)字添加一個(gè)逗號(hào),且最右邊不添加

• 真正解決這個(gè)問題應(yīng)該使用表達(dá)式
  (?<=\d)(?=(?:\d{3})+\b)只能使用環(huán)視，因?yàn)樵谝粋€(gè)數(shù)值中要添加多次逗號(hào)，
  而通常的做法是只要每次匹配到3個(gè)數(shù)字且它們前面還有數(shù)字的話，它們的前面就應(yīng)該添加一個(gè)逗號(hào)，前面有逗號(hào)的話，只需要逆序環(huán)視(?<=\d)即可，但是考慮到匹配后面3的整數(shù)倍的數(shù)值，只能使用順序環(huán)視，因?yàn)楹唵问褂?\d{3})+\b將會(huì)消費(fèi)后面的所有文本，

• 所以只能添加一個(gè)逗號(hào)，而且還會(huì)出錯(cuò)，
  應(yīng)該使用順序環(huán)視(?=(\d{3})+\b)可以重復(fù)檢查后面的文本，依次找出所有需要添加逗號(hào)的位置

• 在這樣之所以使用(?:...)非捕獲型的括號(hào)是因?yàn)榉凑@個(gè)regex的該子表達(dá)式捕獲到的$1不會(huì)被使用，而且它效率更高，因?yàn)橐娌恍枰洃洸东@的文本。但是卻丟失了一定的可讀性

Intellij IDEA的regex的特點(diǎn)

• 對(duì)于匹配同一個(gè)位置，常常可被匹配到兩次，這很可能是因?yàn)樗雌ヅ湟粋€(gè)字符結(jié)束位置，也匹配一個(gè)字符的開始位置，所以同-個(gè)位置可能被視為2個(gè)位置----開始和結(jié)束

[ \t]*和( *|\t*)的區(qū)別

• ( *|\t*)只能匹配sapce或\t的連續(xù)序列，而不能匹配它們的混合序列
• [ \t]*不但能匹配包括( *|\t*)能夠匹配的內(nèi)容，還能匹配sapce和\t的混合序列
• 實(shí)際上[ \t]*和( |\t)*邏輯上是等價(jià)的，但是字符組的效率卻更高一些

非捕獲型括號(hào)(?:...)

• (?:...)只分組不捕獲
• (...)即分組又捕獲

如表達(dá)式([+-]?\d+(\.\d*)?)\s*([CF])和([+-]?\d+(?:\.\d*)?)\s*([CF])

書中可能的錯(cuò)誤列表

• 但我們知道 First|1st與 (fir|1)st表示的是同一個(gè)意思 (page: 13)
• \w 應(yīng)該還能匹配_ (page: 49)
• E-mail Message范本倒數(shù)第三行可能在一些英文單詞上少了一些空格 (page: 54)
• 下面的程序段可能存在過多的}字符 (page: 57)
• 在a標(biāo)簽的href引用的鏈接應(yīng)該用雙引號(hào)包圍 (page: 74)
• 關(guān)于字符串文字的若干例子, 字符串文本[\t\x2A]在/x模式下只能匹配* (page: 102)
• 十進(jìn)制編碼015,應(yīng)該是八進(jìn)制編碼才對(duì) (page: 115)
• [^LMNOP]通常等價(jià)于[\x00-KQ-\xFF]而不是[\x00-kQ-\xFF] (page: 119)
• 匹配HTML Tag，使用的表達(dá)式是<("[^"]"|'[^']'|[^">'])*+>,這樣會(huì)匹配到<>,所以應(yīng)該使用<("[^"]"|'[^']'|[^">'])++> (page: 200)

疑問列表

1. 表達(dá)式(a)?b\1還能匹配除文本aba以外的其他文本嗎？(待研究)

API

• 元字符 (page: 32)
• 一些語法 (page: 114)
• 字母表 (page: 123)

子表達(dá)式定義

子表達(dá)式是只正則表達(dá)式中的一部分，通常是括號(hào)內(nèi)的表達(dá)式
如^(Subject|Date):中，(Subject|Date)通常被視為一個(gè)子表達(dá)式
其中Subject和Date也算是子表達(dá)式。而且，嚴(yán)格來講
S u b j …… 這些都算是子表達(dá)式。

匹配位置的元字符\B，\b，\<，\>

1. 它們都匹配一個(gè)位置
2. 它們都是元字符序列

• \B匹配的位置在\W與\W或\w與\w之間
• \b匹配的位置在\W與\w或\w與\W之間
• \<匹配的位置在\W與\w之間
• \>匹配的位置在\w與\W之間

使用regex檢索文本的精確度

取決于我們對(duì)需要檢索的文本的了解程度。
舉個(gè)極端的例子，要匹配一個(gè)文件內(nèi)的所有數(shù)字，顯然可以使用
\d，但是如果我們清楚的明白我們的文件內(nèi)的內(nèi)容都是純數(shù)字的話，
可以簡單的使用.

關(guān)于grep

grep會(huì)在檢查regex之前把換行符刪除掉，
然后再用regex與每行刪除完換行符剩下的內(nèi)容進(jìn)行匹配

關(guān)于在字符組中的元字符^

[^……]將會(huì)匹配未被列出的任意字符，
而且只有當(dāng)^出現(xiàn)在[的最左邊時(shí)，它才是一個(gè)元字符
[^^]第二個(gè)^就只是普通字符，這個(gè)模式的含義是它將匹配出除^字符以外的任意字符

關(guān)于元字符^和$

• ^匹配行開頭
• $匹配行結(jié)尾

更具體的說明

但如果使用了增強(qiáng)的行錨點(diǎn)模式

• 那么^不但能狗匹配字符串開頭還能匹配每個(gè)換行符后面的位置(但不能匹配字符串結(jié)束位置)
• 同樣$還能匹配每個(gè)換行符的開始位置(左邊)
• 所以使用\A，可以總是匹配字符串的開頭
• 使用\Z和\z，可以總是匹配字符串的結(jié)束

關(guān)于在字符組中的連字符-

• [0-9A-Z_!.?]能夠匹配一個(gè)數(shù)字，大寫字母，下劃線，驚嘆號(hào)，點(diǎn)號(hào)，或者是問號(hào)。
• 只有在字符組內(nèi)部，連字符才有可能是元字符----否則他就只能匹配普通的連字符號(hào)，
• 當(dāng)不能形成一個(gè)范圍的時(shí)候，它就是一個(gè)普通的連字符號(hào)
• 如[a-z-]第二個(gè)連字符就將被解釋為一個(gè)普通的連字符號(hào)