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。