一次性搞懂JavaScript正则表达式之引擎

本文是『horseshoe·Regex专题』系列文章之一，后续会有更多专题推出

GitHub地址：github.com/veedrin/hor…

博客地址(文章排版真的很漂亮)：matiji.cn

如果觉得对你有帮助，欢迎来GitHub点Star或者来我的博客亲口告诉我

我们说正则表达式是语言无关的，是因为驱动正则表达式的引擎是相似的。鉴于正则表达式是一种古老的语法，它的引擎也在历史长河中衍生出了几个大的分支。

我会关注到正则表达式引擎这样比较底层的实现，缘起于在一次业务实践中，追踪到一个由正则引起的BUG。业务中使用的一个markdown解析库Remarkable在解析一段不规则文本时引起浏览器崩溃，调试之后发现是某一个正则在匹配时陷入了死循环，严格的说(后来才知道)是匹配花费了过多时间导致浏览器卡死。

我当时很震惊，正则匹配的性能不是很高的么？匹配到就是匹配到，没匹配到就是没匹配到，怎么会在里面走不出来了呢？

有限自动机

什么叫有限自动机(Finite Automate)呢？

我们把有限自动机理解为一个机器人，在这个机器人眼里，所有的事物都是由有限节点组成的。机器人按照顺序读取有限节点，并表达成有限状态，最终机器人输出接受或者拒绝作为结束。

关注它的两个特点：

• 有限状态集。
• 只根据当前状态和当前输入来决定下一个状态。它有点一板一眼。

怎么理解第二个特点？我们看一个例子：

'aab'.match(/a*?b/);
// ["aab", index: 0, input: "aab", groups: undefined]

我们知道*?是非贪婪匹配，按照我们人类灵活的尿性，直接把匹配结果ab甩他脸上。

但有限自动机不会。第一步它用a匹配a非常完美，然后发现对于a是非贪婪模式，于是试着用b匹配下一个a，结果非常沮丧。于是它只能继续用a匹配，匹配成功后依然没忘非贪婪特性，继续试着用b匹配下一个字符b，成功，收官。

其实写出这段代码的开发者想要的结果应该是ab，但有限自动机从来不仰望星空，只低头做事，一板一眼的根据当前状态和当前输入来决定下一个状态。

DFA与NFA

有限自动机大体上又可以分为两类：DFA是确定性有限自动机的缩写，NFA是非确定性有限自动机的缩写。

我没办法告诉你DFA与NFA在原理上的差别，但咱们可以探讨一下它们在处理正则上的表现差异。

总的来说，DFA可以称为文本主导的正则引擎，NFA可以称为表达式主导的正则引擎。

怎么讲？

我们常常说用正则去匹配文本，这是NFA的思路，DFA本质上其实是用文本去匹配正则。哪个是攻，哪个是受，大家心里应该有个B数了吧。

我们来看一个例子：

'tonight'.match(/to(nite|knite|night)/);

如果是NFA引擎，表达式占主导地位。表达式中的t和o不在话下。然后就面临三种选择，它也不嫌累，每一种都去尝试一下，第一个分支在t这里停止了，接着第二个分支在k这里也停止了。终于在第三个分支柳暗花明，找到了自己的归宿。

换作是DFA引擎呢，文本占主导地位。同样文本中的t和o不在话下。文本走到n时，它发现正则只有两个分支符合要求，经过i走到g的时候，只剩一个分支符合要求了。当然，还要继续匹配。果然没有令它失望，第三个分支完美符合要求，下班。

大家发现什么问题了吗？

只有正则表达式才有分支和范围，文本仅仅是一个字符流。这带来什么样的后果？就是NFA引擎在匹配失败的时候，如果有其他的分支或者范围，它会返回，记住，返回，去尝试其他的分支。而DFA引擎一旦匹配失败，就结束了，它没有退路。

这就是它们之间的本质区别。其他的不同都是这个特性衍生出来的。

首先，正则表达式在计算机看来只是一串符号，正则引擎首先肯定要解析它。NFA引擎只需要编译就好了；而DFA引擎则比较繁琐，编译完还不算，还要遍历出表达式中所有的可能。因为对DFA引擎来说机会只有一次，它必须得提前知道所有的可能，才能匹配出最优的结果。

所以，在编译阶段，NFA引擎比DFA引擎快。

其次，DFA引擎在匹配途中一遍过，溜得飞起。相反NFA引擎就比较苦逼了，它得不厌其烦的去尝试每一种可能性，可能一段文本它得不停返回又匹配，重复好多次。当然运气好的话也是可以一遍过的。

所以，在运行阶段，NFA引擎比DFA引擎慢。

最后，因为NFA引擎是表达式占主导地位，所以它的表达能力更强，开发者的控制度更高，也就是说开发者更容易写出性能好又强大的正则来，当然也更容易造成性能的浪费甚至撑爆CPU。DFA引擎下的表达式，只要可能性是一样的，任何一种写法都是没有差别(可能对编译有细微的差别)的，因为对DFA引擎来说，表达式其实是死的。而NFA引擎下的表达式，高手写的正则和新手写的正则，性能可能相差10倍甚至更多。

也正是因为主导权的不同，正则中的很多概念，比如非贪婪模式、反向引用、零宽断言等只有NFA引擎才有。

所以，在表达能力上，NFA引擎秒杀DFA引擎。

当今市面上大多数正则引擎都是NFA引擎，应该就是胜在表达能力上。

测试引擎类型

现在我们知道正则表达式的驱动引擎分为两大类：DFA引擎与NFA引擎。

但是因为NFA引擎比较灵活，很多语言在实现上有细微的差别。所以后来大家弄了一个标准，符合这个标准的正则引擎就叫做POSIX NFA引擎，其余的就只能叫做传统型NFA引擎咯。

我们来看看JavaScript到底是哪种引擎类型吧。

'123456'.match(/\d{3,6}/);
// ["123456", index: 0, input: "123456", groups: undefined]
'123456'.match(/\d{3,6}?/);
// ["123", index: 0, input: "123456", groups: undefined]

《精通正则表达式》书中说POSIX NFA引擎不支持非贪婪模式，很明显JavaScript不是POSIX NFA引擎。

TODO: 为什么POSIX NFA引擎不支持也没有必要支持非贪婪模式？

区分DFA引擎与传统型NFA引擎就简单咯，捕获组你有么？花式零宽断言你有么？

结论就是：JavaScript的正则引擎是传统型NFA引擎。

回溯

现在我们知道，NFA引擎是用表达式去匹配文本，而表达式又有若干分支和范围，一个分支或者范围匹配失败并不意味着最终匹配失败，正则引擎会去尝试下一个分支或者范围。

正是因为这样的机制，引申出了NFA引擎的核心特点——回溯。

首先我们要区分备选状态和回溯。

什么是备选状态？就是说这一个分支不行，那我就换一个分支，这个范围不行，那我就换一个范围。正则表达式中可以商榷的部分就叫做备选状态。

备选状态是个好东西，它可以实现模糊匹配，是正则表达能力的一方面。

回溯可不是个好东西。想象一下，面前有两条路，你选择了一条，走到尽头发现是条死路，你只好原路返回尝试另一条路。这个原路返回的过程就叫回溯，它在正则中的含义是吐出已经匹配过的文本。

我们来看两个例子：

'abbbc'.match(/ab{1,3}c/);
// ["abbbc", index: 0, input: "abbbc", groups: undefined]
'abc'.match(/ab{1,3}c/);
// ["abc", index: 0, input: "abc", groups: undefined]

第一个例子，第一次a匹配a成功，接着碰到贪婪匹配，不巧正好是三个b贪婪得逞，最后用c匹配c成功。

第二个例子的区别在于文本只有一个b。所以表达式在匹配第一个b成功后继续尝试匹配b，然而它见到的只有黄脸婆c。不得已将c吐出来，委屈一下，毕竟贪婪匹配也只是尽量匹配更多嘛，还是要臣服于匹配成功这个目标。最后不负众望用c匹配c成功。

请问，第二个例子发生回溯了吗？

并没有。

诶，你这样就不讲道理了。不是把c吐出来了嘛，怎么就不叫回溯了？

回溯是吐出已经匹配过的文本。匹配过程中造成的匹配失败不算回溯。

为了让大家更好的理解，我举一个例子：

你和一个女孩子(或者男孩子)谈恋爱，接触了半个月后发现实在不合适，于是提出分手。这不叫回溯，仅仅是不合适而已。

你和一个女孩子(或者男孩子)谈恋爱，这段关系维持了两年，并且已经同居。但由于某些不可描述的原因，疲惫挣扎之后，两人最终还是和平分手。这才叫回溯。

虽然都是分手，但你们应该能理解它们的区别吧。

网络上有很多文章都认为上面第二个例子发生了回溯。至少根据我查阅的资料，第二个例子发生的情况不能被称为回溯。当然也有可能我是错的，欢迎讨论。

我们再来看一个真正的回溯例子：

'ababc'.match(/ab{1,3}c/);
// ["abc", index: 2, input: "ababc", groups: undefined]

匹配文本到ab为止，都没什么问题。然而苍天饶过谁，后面既匹配不到b，也匹配不到c。引擎只好将文本ab吐出来，从下一个位置开始匹配。因为上一次是从第一个字符a开始匹配，所以下一个位置当然就是从第二个字符b开始咯。

一开始引擎是以为会和最早的ab走完余生的，然而命运弄人，从此天涯。

这他妈才叫回溯！

还有一个细节。上面例子中的回溯并没有往回吐呀，吐出来之后不应该往回走嘛，怎么往后走了？

我们再来看一个例子：

'"abc"def'.match(/".*"/);
// [""abc"", index: 0, input: ""abc"def", groups: undefined]

因为.*是贪婪匹配，所以它把后面的字符都吞进去了。直到发现目标完不成，不得已往回吐，吐到第二个"为止，终于匹配成功。这就好比结了婚还在外面养小三，几经折腾才发现家庭才是最重要的，自己的行为背离了初衷，于是幡然悔悟。

我想说的是，不要被回溯的回字迷惑了。它的本质是把已经吞进去的字符吐出来。至于吐出来之后是往回走还是往后走，是要根据情况而定的。

回溯引发的浏览器卡死惨案

现在我邀请读者回到文章开始提起的正则BUG。

`
<img src=# onerror=’alert(document.cookie)/><!--‘ <img src=https://avatar.veedrin.com /> `.match(/<!--([^-]+|[-][^-]+)*-->/g);

这是测试妹子用于测试XSS攻击的一段代码，测试的脑洞你不要去猜。正则是Remarkable用于匹配注释的，虽然我没搞清楚到底为什么这样写。src我篡改了一下，不影响效果。

不怕事大的可以去Chrome开发者工具跑上一跑。

不卖关子。它会导致浏览器卡死，是因为分支和范围太多了。[^-]+是一个范围，[-][^-]+是一个范围，[^-]+|[-][^-]+是一个分支，([^-]+|[-][^-]+)*又是一个范围。另外注意，嵌套的分支和范围生成的备选状态是呈指数级增长的。

我们知道这段语句肯定会匹配失败，因为文本中压根就没有-->。那浏览器为什么会卡死呢？因为正则引擎的回溯实在过多，导致浏览器的CPU进程飙到98%以上。这和你在Chrome开发者工具跑一段巨大运算量的for循环是一个道理。

但是呢，正则永远不会走入死循环。正则引擎叫有限状态机，就是因为它的备选状态是有限的。既然是有限的，那就一定可以遍历完。10的2次方叫有限，10的200000000次方也叫有限。只不过计算机的硬件水平有限，容不得你进行这么大的运算量。我以前也以为是正则进入了死循环，其实这种说法是不对的，应该叫浏览器卡死或者撑爆CPU。

那么，怎么解决？

最粗暴也最贵的方式当然是换一台计算机咯。拉一台超级计算机过来肯定是可以打服它的吧。

第二就是减少分支和范围，尤其是嵌套的分支和范围。因为分支和范围越多，备选状态就越多，早早的就匹配成功还好，如果匹配能成功的备选状态在很后头或者压根就无法匹配成功，那你家的CPU就得嗷嗷叫咯。

我们来看一下：

`
<img src=# onerror=’alert(document.cookie)/><!--‘ <img src=https://avatar.veedrin.com />-->
`.match(/<!--([^-]+|[-][^-]+)*-->/g);
// ["<!--‘↵<img src=https://avatar.veedrin.com />-->"]

你看，备选状态再多，我已经找到了我的白马王子，你们都歇着去吧。

这个正则我不知道它这样写的用意何在，所以也不知道怎么优化。明白备选状态是回溯的罪魁祸首就好了。

第三就是缩减文本。会发生回溯的情况，其实文本也是一个变量。你想想，总要往回跑，如果路途能短一点是不是也不那么累呢？

'<!--<img src=https://jd.com>'.match(/<!--([^-]+|[-][^-]+)*-->/g);
// null

试的时候悠着点，不同的浏览器可能承受能力不一样，你可以一个个字符往上加，看看极限在哪里。

当然，缩减文本是最不可行的。正则正则，就是不知道文本是什么才用正则呀。

优化正则表达式

现在我们知道了控制回溯是控制正则表达式性能的关键。

控制回溯又可以拆分成两部分：第一是控制备选状态的数量，第二是控制备选状态的顺序。

备选状态的数量当然是核心，然而如果备选状态虽然多，却早早的匹配成功了，早匹配早下班，也就没那么多糟心事了。

至于面对具体的正则表达式应该如何优化，那就是经验的问题了。思考和实践的越多，就越游刃有余。无他，唯手熟尔。

工具

[ regex101 ]是一个很多人推荐过的工具，可以拆分解释正则的含义，还可以查看匹配过程，帮助理解正则引擎。如果只能要一个正则工具，那就是它了。

[ regexper ]是一个能让正则的备选状态可视化的工具，也有助于理解复杂的正则语法。

本文是『horseshoe·Regex专题』系列文章之一，后续会有更多专题推出

GitHub地址：github.com/veedrin/hor…

博客地址(文章排版真的很漂亮)：matiji.cn

如果觉得对你有帮助，欢迎来GitHub点Star或者来我的博客亲口告诉我

Regex专题一览

👉 语法

👉 方法

👉 引擎