1 为什么要了解引擎匹配原理
一个个音符杂乱无章的组合在一起，弹奏出的或许就是噪音，同样的音符经过作曲家的手，就可以谱出非常动听的乐曲，一个演奏者同样可以照着乐谱奏出动听的乐曲，但他/她或许不知道该如何去改变音符的组合，使得乐曲更动听。
作为正则的使用者也一样，不懂正则引擎原理的情况下，同样可以写出满足需求的正则，但是不知道原理，却很难写出高效且没有隐患的正则。所以对于经常使用正则，或是有兴趣深入学习正则的人，还是有必要了解一下正则引擎的匹配原理的。
2 正则表达式引擎正则引擎大体上可分为不同的两类：DFA和NFA，而NFA又基本上可以分为传统型NFA和POSIX NFA。
DFA Deterministic finite automaton 确定型有穷自动机
NFA Non-deterministic finite automaton 非确定型有穷自动机
Traditional NFA
POSIX NFA
DFA引擎因为不需要回溯，所以匹配快速，但不支持捕获组，所以也就不支持反向引用和$number这种引用方式，目前使用DFA引擎的语言和工具主要有awk、egrep 和 lex。
POSIX NFA主要指符合POSIX标准的NFA引擎，它的特点主要是提供longest-leftmost匹配，也就是在找到最左侧最长匹配之前，它将继续回溯。同DFA一样，非贪婪模式或者说忽略优先量词对于POSIX NFA同样是没有意义的。
大多数语言和工具使用的是传统型的NFA引擎，它有一些DFA不支持的特性：
捕获组、反向引用和$number引用方式；
环视(Lookaround，(?<=…)、(?<!…)、(?=…)、(?!…))，或者有的有文章叫做预搜索；
忽略优化量词（??、*?、+?、{m,n}?、{m,}?），或者有的文章叫做非贪婪模式；
占有优先量词（?+、*+、++、{m,n}+、{m,}+，目前仅Java和PCRE支持），固化分组(?>…)。
引擎间的区别不是本文的重点，仅做简要的介绍，有兴趣的可参考相关文献。
3 预备知识 3.1 字符串组成
对于字符串“ abc ”而言，包括三个字符和四个位置。
3.2 占有字符和零宽度正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；如果子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。
占有字符是互斥的，零宽度是非互斥的。也就是一个字符，同一时间只能由一个子表达式匹配，而一个位置，却可以同时由多个零宽度的子表达式匹配。
3.3 控制权和传动正则的匹配过程，通常情况下都是由一个子表达式（可能为一个普通字符、元字符或元字符序列组成）取得控制权，从字符串的某一位置开始尝试匹配，一个子表达式开始尝试匹配的位置，是从前一子表达匹配成功的结束位置开始的。如正则表达式：
( 子表达式一)(子表达式二)
假设 (子表达式一) 为零宽度表达式，由于它匹配开始和结束的位置是同一个，如位置0，那么 (子表达式二) 是从位置0开始尝试匹配的。
假设 (子表达式一) 为占有字符的表达式，由于它匹配开始和结束的位置不是同一个，如匹配成功开始于位置0，结束于位置2，那么 (子表达式二) 是从位置2开始尝试匹配的。
而对于整个表达式来说，通常是由字符串位置0开始尝试匹配的。如果在位置0开始的尝试，匹配到字符串某一位置时整个表达式匹配失败，那么引擎会使正则向前传动，整个表达式从位置1开始重新尝试匹配，依此类推，直到报告匹配成功或尝试到最后一个位置后报告匹配失败。
4 正则表达式简单匹本过程 4.1 基础匹配过程
源字符串： abc
正则表达式： abc
匹配过程：
首先由字符“ a ”取得控制权，从位置0开始匹配，由“ a ”来匹配“ a ”，匹配成功，控制权交给字符“ b ”；由于“ a ”已被“ a ”匹配，所以“ b ”从位置1开始尝试匹配，由“ b ”来匹配“ b ”，匹配成功，控制权交给“ c ”；由“ c ”来匹配“ c ”，匹配成功。
此时正则表达式匹配完成，报告匹配成功。匹配结果为“ abc ”，开始位置为0，结束位置为3。
4.2 含有匹配优先量词的匹配过程——匹配成功（一）
源字符串： abc
正则表达式： ab?c
量词“ ? ”属于匹配优先量词，在可匹配可不匹配时，会先选择尝试匹配，只有这种选择会使整个表达式无法匹配成功时，才会尝试让出匹配到的内容。这里的量词“ ? ”是用来修饰字符“ b ”的，所以“ b? ”是一个整体。
匹配过程：
首先由字符“ a ”取得控制权，从位置0开始匹配，由“ a ”来匹配“ a ”，匹配成功，控制权交给字符“ b? ”；由于“ ? ”是匹配优先量词，所以会先尝试进行匹配，由“ b? ”来匹配“ b ”，匹配成功，控制权交给“ c ”，同时记录一个备选状态；由“ c ”来匹配“ c ”，匹配成功。记录的备选状态丢弃。
此时正则表达式匹配完成，报告匹配成功。匹配结果为“ abc ”，开始位置为0，结束位置为3。
4.3 含有匹配优先量词的匹配过程——匹配成功（二）
源字符串： ac
正则表达式： ab?c
匹配过程：
首先由字符“ a ”取得控制权，从位置0开始匹配，由“ a ”来匹配“ a ”，匹配成功，控制权交给字符“ b? ”；先尝试进行匹配，由“ b? ”来匹配“ c ”，同时记录一个备选状态，匹配失败，此时进行回溯，找到备选状态，“ b? ”忽略匹配，让出控制权，把控制权交给“ c ”；由“ c ”来匹配“ c ”，匹配成功。
此时正则表达式匹配完成，报告匹配成功。匹配结果为“ ac ”，开始位置为0，结束位置为2。其中“ b? ”不匹配任何内容。
4.4 含有匹配优先量词的匹配过程——匹配失败
源字符串： abd
正则表达式： ab?c
匹配过程：
首先由字符“ a ”取得控制权，从位置0开始匹配，由“ a ”来匹配“ a ”，匹配成功，控制权交给字符“ b? ”；先尝试进行匹配，由“ b? ”来匹配“ b ”，同时记录一个备选状态，匹配成功，控制权交给“ c ”；由“ c ”来匹配“ d ”，匹配失败，此时进行回溯，找到记录的备选状态，“ b? ”忽略匹配，即“ b? ”不匹配“ b ”，让出控制权，把控制权交给“ c ”；由“ c ”来匹配“ b ”，匹配失败。此时第一轮匹配尝试失败。
正则引擎使正则向前传动，由位置1开始尝试匹配，由“ a ”来匹配“ b ”，匹配失败，没有备选状态，第二轮匹配尝试失败。
继续向前传动，直到在位置3尝试匹配失败，匹配结束。此时报告整个表达式匹配失败。
4.5 含有忽略优先量词的匹配过程——匹配成功
源字符串： abc
正则表达式： ab??c
量词“ ?? ”属于忽略优先量词，在可匹配可不匹配时，会先选择不匹配，只有这种选择会使整个表达式无法匹配成功时，才会尝试进行匹配。这里的量词“ ?? ”是用来修饰字符“ b ”的，所以“ b?? ”是一个整体。
匹配过程：
首先由字符“ a ”取得控制权，从位置0开始匹配，由“ a ”来匹配“ a ”，匹配成功，控制权交给字符“ b?? ”；先尝试忽略匹配，即“ b?? ”不进行匹配，同时记录一个备选状态，控制权交给“ c ”；由“ c ”来匹配“ b ”，匹配失败，此时进行回溯，找到记录的备选状态，“ b?? ”尝试匹配，即“ b?? ”来匹配“ b ”，匹配成功，把控制权交给“ c ”；由“ c ”来匹配“ c ”，匹配成功。
此时正则表达式匹配完成，报告匹配成功。匹配结果为“ abc ”，开始位置为0，结束位置为3。其中“ b?? ”匹配字符“ b ”。
4.6 零宽度匹配过程
源字符串： a12
正则表达式： ^ (?=[a-z]) [a-z0-9]+ $
元字符“ ^ ”和“ $ ”匹配的只是位置，顺序环视“ (?=[a-z]) ”只进行匹配，并不占有字符，也不将匹配的内容保存到最终的匹配结果，所以都是零宽度的。
这个正则的意义就是匹配由字母和数字组成的，第一个字符是字母的字符串。
匹配过程：
首先由元字符“ ^ ”取得控制权，从位置0开始匹配，“ ^ ”匹配的就是开始位置“ 位置0 ”，匹配成功，控制权交给顺序环视“ (?=[a-z]) ”；
“ (?=[a-z]) ”要求它所在位置右侧必须是字母才能匹配成功，零宽度的子表达式之间是不互斥的，即同一个位置可以同时由多个零宽度子表达式匹配，所以它也是从位置0尝试进行匹配，位置0的右侧是字符“ a ”，符合要求，匹配成功，控制权交给“ [a-z0-9]+ ”；
因为“ (?=[a-z]) ”只进行匹配，并不将匹配到的内容保存到最后结果，并且“ (?=[a-z]) ”匹配成功的位置是位置0，所以“ [a-z0-9]+ ”也是从位置0开始尝试匹配的，“ [a-z0-9]+ ”首先尝试匹配“ a ”，匹配成功，继续尝试匹配，可以成功匹配接下来的“ 1 ”和“ 2 ”，此时已经匹配到位置3，位置3的右侧已没有字符，这时会把控制权交给“ $ ”；
元字符“ $ ”从位置3开始尝试匹配，它匹配的是结束位置，也就是“ 位置3 ”，匹配成功。
此时正则表达式匹配完成，报告匹配成功。匹配结果为“ a12 ”，开始位置为0，结束位置为3。其中“ ^ ”匹配位置0，“ (?=[a-z]) ”匹配位置0，“ [a-z0-9]+ ”匹配字符串“ a12 ”，“ $ ”匹配位置3。
查看更多关于正则基础之 NFA引擎匹配原理_正则表达式的详细内容...