不到40行代码构建正则表达式引擎

原文:Build a Regex Engine in Less than 40 Lines of Code (作者:Nick Drane ,翻译:Diwei)

译者注:如何用不到40行的代码构建一个正则表达式引擎?作者在本文就将他本人的解决思路记录了下来,如果你也想挑战,不妨借鉴一下作者的思路,说不定你写的代码可能不到30行。以下为译文。

无意之间我发现了一篇文章,Rob Pike用C语言实现了一个正则表达式引擎的模型。于是我也尝试用Javascript写一个,并且增加了测试规范。测试规范和解决方案都放在了GitHub仓库上面。本文将重点介绍解决方案。

问题描述

正则表达式引擎将支持以下语法:

最终目标是用最少的代码提供最强大的功能,从而满足上述正则表达式用例。

单字符匹配

第一步是编写一个函数,该函数有两个入参,返回值是一个布尔类型,表示匹配结果。表示通配模式,可以匹配任意字符。

简单举一些用例:

相同长度的字符串匹配

现在需要增加参数的长度,并且暂时只考虑pattern和string长度相同的情况。根据以前的经验,我很自然的认为这种情况非常适合用递归来解决。 我们只需要反复调用函数就可以了。

上面的代码首先将与进行比较,然后将与进行比较,并继续将与进行比较,直到。如果在某个地方没有匹配成功,那么最终返回的结果就是匹配失败。

我们来举个例子。假设调用,实际上返回的就是。

如果继续分析下去,其实最终的结果就是,这就相当于,所以返回结果就是true!

$字符

接下来增加特殊字符的支持,它可以匹配字符串后面的所有字符。要想实现该功能,只需要在上一步的函数中增加一个额外基本情况的判断就可以了。

^字符

让我们添加对特殊模式字符的支持,它允许匹配字符串的开头。这里我将介绍一个新的函数–。

这个函数将成为代码的新入口。到目前为止只是在文本开始时才开始匹配。现在只是通过强迫用户以来开始。但是如何支持文本中出现的任何模式呢?

任意位置的匹配

截止到目前为止,下面的表达式将会返回。

但是返回的却是。我们期望让它返回。

如果用户没有指明要从第一个字符开始就要匹配,那么我们希望在文本内的每个可能的起始点进行搜索。这是默认的处理规则,除非pattern是以开始。

?字符

使用的话,那么在前面的0个或者1个字符可以进行匹配。

这里有一些范例:

第一步是修改函数,当检测到字符出现以后就开始调用函数,函数的定义将会在下面的内容看到。

函数需要处理两种情况:

之前的字符没有匹配成功,但是后面所有的文本都和pattern的剩余部分匹配成功了;

之前的字符都匹配成功了,并且其余的文本(这里应该减去一个字符)也和pattern的剩余部分匹配成功了;

上面两种情况中只要满足一种,那么函数就会返回。

让我们先考虑第一种情况。如果pattern中的文本除了不一样以外,其它都能匹配成功,这种情况我们怎么去检查呢?换句话说,如果前面的字符只出现了0次,这种情况我们怎么去检查呢?我们从pattern剔除掉2个字符(第一个字符就是前面的哪个,第二个字符就是本身),然后再调用match函数。

第二种情况更具挑战性,但是和上面介绍的一样,它还是重用了之前已经写好的函数。

如果跟匹配上了,而且其它的文本和pattern中剩余的也能匹配上,那么我们就成功了。注意,代码我们也可以这么写:

我更喜欢后面一个方法的原因是因为它明确地指出了有两种情况,只要满足其中一种,那么返回的结果就是。

*字符

我们希望能够匹配前面0个或多个字符。

下面这些表达式的返回结果都应该是。

这个跟的情况很相似,我们在函数里面再增加一个方法。

和一样,也要处理两种情况:

前面的部分没有匹配成功,但是其它文本和pattern中后面的都匹配成功了;

前面的部分匹配成功了,并且其它文本和pattern中后面的也都匹配成功了;

由于这两种情况都能决定匹配的结果,因此我们知道可以用布尔类型OR来实现。此外,的情况1与的情况1完全相同,因此同样也可以使用进行实现。这意味着我们只需要制定满足情况2的表达式。

重构

现在我们可以回过头来,对函数进行简化,而且正好可以将我从Peter Norvig写的类里面学到的一个技巧应用上。

我们使用字符本身来允许pattern中字符串可以出现在任何地方。前面的表示在pattern前面出现了任何数量的任何字符,我们也希望能匹配成功。

结论

功能如此强大,但是代码却如此简洁明了,这真是一件很了不起的事情。完整的源代码可以再GitHub仓库中找到。

本文来自企鹅号 - CSDN大数据媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏皮皮之路

【JDK1.8】Java 8源码阅读汇总

3727
来自专栏极客猴

Python 中连接字符串效率最高的方式是哪种呢?

在编码过程中,我们经常需要对字符串进行连接处理操作。如果我们能使用优雅的方式来处理字符串连接,那么程序内存开销会小很多。

932
来自专栏鸿的学习笔记

合理选择数据结构

写程序很重要的一点是选择合理的数据结构,不合适的数据结构在如今高性能计算机盛行的情况下,小数据量体现不出什么来,但是在超大数据的时候, 你所面临的困境将会无穷的...

722
来自专栏嵌入式程序猿

号外号外:无规矩不成方圆(4)

本文MISRA规则由嵌入式程序猿整理自网络,版权归原作者所有 不能使用三字母词 三字母词由2 个问号序列后跟1 个确定字符组成(如, ??- 代表“ ~”(非)...

2675
来自专栏精讲JAVA

Gof设计模式之工厂模式(四)

定义 工厂模式是 Java 中最常用的设计模式之一。这种类型的设计模式属于创建型模式,它提供了一种创建对象的最佳方式。 工厂模式...

1928
来自专栏郭霖

Android最佳性能实践(三)——高性能编码优化

在前两篇文章当中,我们主要学习了Android内存方面的相关知识,包括如何合理地使用内存,以及当发生内存泄露时如何定位出问题的原因。那么关于内存的知识就讨论到这...

20510
来自专栏CSDN技术头条

不到40行代码构建正则表达式引擎

原文:Build a Regex Engine in Less than 40 Lines of Code (作者:Nick Drane ,翻译:Diwei) ...

1956
来自专栏desperate633

设计模式之策略模式(Strategy Pattern)引子设计原则1提取鸭子的的行为设计原则2实现鸭子的行为整合实现我们设计的鸭子类策略模式总结

策略模式,是我们接触到的第一个设计模式,也是较容易理解的一个模式。 我们可以给它下一个定义: ** 定义了算法族,分别封装起来,让它们之间可以互相转换,此模...

863
来自专栏Hongten

对"for循环中尽量减少对变量的重复计算"提出质疑

===========================================================

991
来自专栏苦逼的码农

Hash冲突之开放地址法

比如说我的输入是任意一个自然数(0,1,2,3...),而我要求经过一个函数后我的输出的数的范围要在0-9这样一个范围之间。

3162

扫码关注云+社区