④ 贪婪与非贪婪
正则匹配默认是 贪婪匹配，即匹配尽可能多的字符~
简单得很，写个例子你就懂了：
re.match(r'^(\d+)(0*)$','12345000').groups() # 原意是想得到('12345', '000')这样的结果的，但输出的却是：('12345000', '') # 由于贪婪匹配，直接把后面的0都给匹配了，结果0*没东西匹配了 # 若果想尽可能少的匹配，可在\d+后加上一个问号?，采用非贪婪匹配，改成介样： re.match(r'^(\d+?)(0*)$','12345000').groups() # 输出结果：('12345', '000')
*0x5、背后的原理
这Part选读哈，不感兴趣可以跳过，多熟悉熟悉上面的正则语法就行了，笔者想弄清楚正则表达式背后原理的原因
网上很多文章都说到：正则表达式令人诟病的性能问题，但却很少人说清具体是什么问题？怎么引起的？如何规避优化~
下述图片和内容大部分来源于：《正则表达式引擎执行原理——从未如此清晰！》
① 正则表达式的工作流程
这里的 预编译 指的是提前初始化好正则对象，如Python中的re库，建议：
- 调用 re.compile(patter) 预编译返回Pattern对象，后续用到正则的地方直接引用；
预编译的方式，在循环中，用同一个正则进行匹配的场景有奇效 (避免重复创建、编译).
② 引擎
程序对正则表达式进行语法分析，建立 语法分析树，再根据分析树结合 正则表达式引擎 生成执行程序 (状态机、又称状态自动机) 用于 字符匹配。
这里的 引擎 就是一套 用于建立状态机的核心算法，主要分为下述两大类：
- 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；
拆词：
- 确定型与非确定型 → 字符串在没编写正则表达式的前提下，能否直接确定字符匹配顺序？ 能就是确定型，不能的就是不确定型；
- 有穷 → 在有限次数内能得到结果；
- 自动机 → 在设置好匹配规则后由引擎自动完成，不需人为干预；
对比：
- 构造DFA的成本代价 (用内存多、编译速度慢) 远高于NFA，但DFA的执行效率高于NFA；
- 假设字符串长度为n，DFA的匹配时间复杂度为O(n)，NFA因为匹配过程中存在大量分支和回溯，假设状态数为s，NFA的匹配的时间复杂度为O(ns);
- NFA的优势是支持更多功能，如捕获Group、环视、量词等高级功能，这些功能都是基于子表达式独立进行匹配，因此在编程语言中，使用正则表达式的库都是 基于NFA实现的；
DFA自动机是如何进行匹配的？
要点：
- 文本主导 → 按文本顺序执行，稳定；
- 记录当前有效的所有可能 → 如执行到(d|b)，会同时比较表达式中的a|b，故需要更多的内存；
- 每个字符只检查一次 → 提高了执行效率，且速度与正则表达式无关；
- 不能使用反向引用等功能 → 每个字符只检查一次，位置只记录当前值，故无法使用反向引用、环视等功能；
NFA自动机是如何进行匹配的？
要点：
- 表达式主导 → 按照表达式的一部分执行，不匹配换其他部分继续匹配，直到表达式匹配完成；
- 会记录某个位置 → 如执行到(d|b)时，记录字符的位置，然后选择其中一个先匹配；
- 每个字符可能检查多次 → 执行到(d|b)时，比较d后发现不匹配，换成表达式的另外一个分支b，同时文本位置 回退，重新匹配字符b。这也是NFA非确定及效率可能没有DFA高的原因；
- 能使用反向引用等功能 → 因为有回退功能，所以很容易实现反向引用、环视等功能；
③ NFA自动机的回溯问题
上述 回退 专业术语叫 回溯，原理类似于走迷宫时走过的路设置一个标志物，不对原路返回，换成另一条路。
回溯机制不但要重新计算 正则表达式 和 文本 的 对应位置，还需要维护 括号子表达式所匹配的文本状态，保存到内存中以 数字编号 的组中，这个组也叫 捕获组。
捕获组保存括号内的匹配结果，后面的正则表达式中可以使用，就是上面说到的 反向引用。
还不是很理解？画个简单的回溯流程示意图~
content_str = "HELLO" content_regex = "HEL+O"
不难看出，回溯问题的导火索就是 贪婪匹配，吃得多，要吐的也多，如果匹配的文本长度几W，引擎可能就要回溯几w次。
如果碰到复杂的正则表达式，有多个部分要回溯，那回溯次数就是 指数级别。比如文本长度为500，表达式有两部分要回溯，次数可能就是500^2=25w次了。够呛的...
④ 优化
优化的方向：减少引擎回溯次数 + 更快更直接地匹配到结果
1) 少用贪婪模式
可使用 非贪婪模式(加?，会首先选择最小的匹配范围) 和 独占模式(加+，不匹配结束匹配，不回溯) 来避免回溯。
2) 减少分支选择
少用，一定要用的话可通过下述几种方式优化：
- 选择的顺序 → 更常用的选择项放前面，使得它们能较快地被匹配；
- 提取共用模式 → 如：将(abcd|abef) 替换成→ ab(cd|ef)；
- 简单的分支选择 → 不用正则，直接用字符串查找函数(如index())找，效率还高一些；
3) 使用非捕获型括号
一般一个()就是一个捕获组，如果不需要引用括号中的文本，可使用非捕获组 (?:er)，既能减少捕获时间，又能减少回溯使用的状态数量。
4) 一些零碎的优化点
- 长度判断优化 → 匹配字符串的长度都没正则长度长，就没必要匹配了；
- 预查必须字符 → 预先扫描必须字符，找都找不到，就没必要匹配了；
- 用好行和字符串开始、结束符 → 用好
^$\A\Z更精确匹配行头、行尾、字符串开头和字符串结尾； - 别滥用括号 → 在需要的时候才用括号，在其他时候使用括号会阻止某些优化措施；
- 别滥用* → 点符号可以匹配任意字符串，但贪婪匹配会导致大量的回溯；
- 量词等价替换 → a{3} 可比 aaa要快上一些；
- 拆分表达式 → 有时，多个小正则表达式的速度比一个大正则表达式的速度要快很多；
0x6、小结
本节，系统过了一波正则表达式，从知道是什么，到语法，然后到原理，内容虽少，五脏俱全，希望能帮到想学正则的朋友，别再下次一定了，这次一定，学废 正则表达式~
常用的正则表达式模板网上有很多，菜鸟工具 上还挺全，取需，就不搬运了~
再安利一个插件吧：any-rule，同样取需~
最后，附上Python中re模块的常用函数速查，有问题欢迎在评论区反馈，谢谢~
0x7、附：Python中re模块的常用函数
import re # 将正则表达式编译成Pattern对象，好处：预编译+复用 test_pattern = re.compile(正则表达式字符串，标志位修饰符) # 标志位修饰符(flags) 用于控制匹配模式，支持同时选择多个(|连接)，有下述这些： # # re.I IGNORECASE → 忽略大小写 # re.M MULTILINE → 多行匹配，影响^和$ # re.S DOTALL → 使.匹配包括换行在内的所有字符 # re.X VERBOSE → 忽略空白和注释，并允许使用'#'来引导一个注释 # re.U UNICODE → 根据Unicode字符集解析字符，影响\w、\W、\b和\B # re.L LOCALE → 做本地化识别（locale-aware）匹配 # 匹配：尝试从字符串的开头进行匹配，匹配成功返回匹配对象，否则返回None re.match(pattern, string, flags=0) # 匹配：扫描整个字符串，返回第一个匹配对象，否则返回None； re.search(pattern, string, flags=0) # 检索：扫描整个字符串，匹配所有能匹配的对象，以列表形式返回； re.findall(pattern, string, flags=0) # 检索：同findall，匹配所有能匹配的对象，但是是以迭代器形式返回； re.finditer(pattern, string, flags=0)参数 # 替换：将匹配的字符串替换为其他字符串，count为替换的最大次数，默认为0，替换所有。 re.sub(pattern, repl, string, count=0, flags=0) # 分割：将匹配的字符串进行分割，返回列表，maxsplit为分割的最大次数，默认为0，分割所有。 re.split(pattern, string, maxsplit=0, flags=0) # 分组：获取匹配结果中，每个分组匹配内容，可传入分组序号，不传整个匹配结果，传获取对应分组内容 pattern_result.group() # 分组：从group(1)开始往后的所有值，返回一个元组 pattern_result.groups() # 匹配的开始、结束位置 pattern_result.start() # 返回匹配的开始位置 pattern_result.end() # 返回匹配的结束位置 pattern_result.span() #返回一个元组，表示匹配位置(开始，结束) # 加载正则表达式字符串前的'r'，如re.compile(r'xxx')，作用： # 告知编译器这个str是raw string(原始字符串)，不要转义反斜杠，如r'\n'是两个字符 # 反斜杠 + n，而不是换行！
