正则表达式.02 - 量词与贪婪

正则中有三种模式

• 贪婪模式

• 非贪婪模式

• 独占模式

这些模式会改变量词的匹配行为，比如：

• 字符是匹配一次还是多次

• 匹配长度是尽可能长还是尽可能短

贪婪匹配（Greedy）

首先，我们来看一下贪婪匹配。在正则中，表示次数的量词默认是贪婪的，在贪婪模式下，会尝试尽可能最大长度去匹配。

首先，我们来看一下在字符串 aaabb 中使用正则 a* 的匹配过程。

a* 在匹配开头的 a 时，会尝试尽量匹配更多的 a，直到第一个字母 b 不满足要求为止，匹配上三个 a，后面每次匹配时都得到了空字符串。

相信看到这里你也发现了，贪婪模式的特点就是尽可能进行最大长度匹配。

所以要不要使用贪婪模式是根据需求场景来定的。如果我们想尽可能最短匹配呢？那就要用到非贪婪匹配模式了。

非贪婪匹配（Lazy）

那么如何将贪婪模式变成非贪婪模式呢？我们可以在量词后面加上英文的问号 (?)，正则就变成了 a*?。此时的匹配结果如下：

>>> import re>>> re.findall(r'a*', 'aaabb')  # 贪婪模式['aaa', '', '', '']>>> re.findall(r'a*?', 'aaabb') # 非贪婪模式['', 'a', '', 'a', '', 'a', '', '', '']

到这里你可能就明白了，非贪婪模式会尽可能短地去匹配，我把这两者之间的区别写到了下面这张图中。

贪婪与非贪婪的区别

贪婪与非贪婪模式都必须满足匹配次数的要求才能匹配上。

• 贪婪模式，简单说就是尽可能进行最长匹配。

• 非贪婪模式呢，则会尽可能进行最短匹配。

正是这两种模式产生了不同的匹配结果。

简单的例子

看一个简单的例子：同样是 aaabb

贪婪模式下的结果是这样的：

非贪婪的结果是这样的：

复杂一些的例子

这一次让我们查找一下引号中的单词。从下面这个示例中，我们可以很容易看出两者对比上的差异。左右的文本是一样的，其中有两对双引号。不同之处在于，左边的示例中，不加问号时正则是贪婪匹配，匹配上了从第一个引号到最后一个引号之间的所有内容；而右边的图是非贪婪匹配，找到了符合要求的结果。

独占模式

不管是贪婪模式，还是非贪婪模式，都需要发生回溯才能完成相应的功能。但是在一些场景下，我们不需要回溯，匹配不上返回失败就好了，因此正则中还有另外一种模式，独占模式，它类似贪婪匹配，但匹配过程不会发生回溯，因此在一些场合下性能会更好。

回溯是什么？

回溯是指，当正则按规则对一个字母匹配失败之后，从该字母开始重新进行规则匹配。

而非回溯则是指，当正则按规则对一个字母匹配失败之后，会从下一个字母开始进行规则的重新匹配。

举个例子

贪婪模式匹配

regex = “xy{1,3}z”

text = “xyyz”

在匹配时，y{1,3}会尽可能长地去匹配，当匹配完 xyy 后，由于 y 要尽可能匹配最长，即三个，但字符串中后面是个 z 就会导致匹配不上，这时候正则就会向前回溯，吐出当前字符 z，接着用正则中的 z 去匹配。

非贪婪模式匹配

regex = “xy{1,3}?z”

text = “xyyz”

由于 y{1,3}? 代表匹配 1 到 3 个 y，尽可能少地匹配。匹配上一个 y 之后，也就是在匹配上 text 中的 xy 后，正则会使用 z 和 text 中的 xy 后面的 y 比较，发现正则 z 和 y 不匹配，这时正则就会向前回溯，重新查看 y 匹配两个的情况，匹配上正则中的 xyy，然后再用 z 去匹配 text 中的 z，匹配成功。

独占模式匹配

独占模式和贪婪模式很像，独占模式会尽可能多地去匹配，如果匹配失败就结束，不会进行回溯，这样的话就比较节省时间。具体的方法就是在量词后面加上加号（+）。

regex = “xy{1,3}+yz”

text = “xyyz”

三种模式的差异

如果你用 a{1,3}+ab 去匹配 aaab 字符串，a{1,3}+ 会把前面三个 a 都用掉，并且不会回溯，这样字符串中内容只剩下 b 了，导致正则中加号后面的 a 匹配不到符合要求的内容，匹配失败。如果是贪婪模式 a{1,3} 或非贪婪模式 a{1,3}? 都可以匹配上。

语言支持

• 需要注意的是 Python 和 Go 的标准库目前都不支持独占模式，会报错

• 可以使用 Java 或 Perl 等其它语言来测试独占模式

• 查阅相关文档，看一下你所用的语言对独占模式的支持程度。

总结

独占模式性能比较好，可以节约匹配的时间和 CPU 资源，但有些情况下并不能满足需求，要想使用这个模式还要看具体需求，另外还得看你当前使用的语言或库的支持程度。