當一個正規表示式掃描目標字串時，從左到右逐個掃描正規表示式的組成部分，在每個位置上測試能不能找到一個匹配。對於每一個量詞和分支，都必須確定如何繼續進行。如果是一個量詞（如*、+?或者{2,}），那麼正規表示式必須確定何時嘗試匹配更多的字元；如果遇到分支（通過|操作符），那麼正規表示式必須從這些選項中選擇一個進行嘗試。

當正規表示式做出這樣的決定時，如果有必要，它會記住另一個選項，以備返回後使用。如果所選方案匹配成功，正規表示式將繼續掃描正規表示式模板，如果其餘部分匹配也成功了，那麼匹配就結束了。但是，如果所選擇的方案未能發現相應匹配，或者後來的匹配也失敗了，正規表示式將回溯到最後一個決策點，然後在剩餘的選項中選擇一個。繼續這樣，直到找到一個匹配，或者量詞和分支選項的所有可能的排列組合都嘗試失敗後放棄這一過程，然後移動到此過程開始位置的下一個字元上，重複此過程。

例如，下面的程式碼演示了這一過程是如何通過回溯處理分支的。

/h(ello|appy) hippo/.test("hello there, happy hippo");

上面一行正規表示式用於匹配“ hello hippo”或“ happy hippo”。測試一開始要查詢一個h，目標字串的第一個字母恰好就是h，立刻就找到了。接下來，子表示式（ello|appy）提供了兩個處理選項。正規表示式選擇最左邊的選項（分支選擇總是從左到右進行），檢查ello 是否匹配字串的下一個字元，確實匹配，然後正規表示式又匹配了後面的空格。

然而，在接下來的匹配中正規表示式“走進了死衚衕”，因為hippo 中的h 不能匹配字串中的下一個字母t。此時正規表示式還不能放棄，因為它還沒有嘗試過所有的選擇，隨後它回溯到最後一個檢查點（在匹配了首字母h 之後的那個位置上）並嘗試匹配第二個分支選項。但由於匹配沒有成功，而且也沒有更多的選項了，正規表示式認為從字串的第一個字元開始匹配是不能成功的，因此它從第二個字元開始重新進行查詢。正規表示式沒有找到h，繼續向後找，直到第14 個字母才找到，它匹配happy 的那個h。隨後正規表示式再次進入分支過程，這次ello 未能匹配，但在回溯之後的第二次分支中，它匹配了整個字串“happy hippo”，匹配成功了。

再如，下面程式碼演示了帶重複量詞的回溯。

var str = "<p>Para 1.</p>" +"<img src='smiley.jpg'>" +"<p>Para 2.</p>" +"<div>Div.</div>";
/<p>.*<\/p>/i.test(str);

正規表示式先匹配了字串開始的3個字母<p>，然後是.*。點號表示匹配除換行符以外的任意字元，星號這個“貪婪”量詞表示重複零次或多次，匹配儘量多的次數。因為目標字串中沒有換行符，正規表示式將匹配剩下的全部字串！不過由於正規表示式模板中還有更多內容需要匹配，所以正規表示式嘗試匹配<。由於在字串末尾匹配不成功，因此每次回溯一個字元，繼續嘗試匹配<，直到正規表示式回到</div>標籤的<位置。接下來嘗試匹配\/（轉義反斜槓），匹配成功，然後匹配p，匹配不成功。正規表示式繼續回溯，重複此過程，直到第二段末尾時終於匹配了</p>。匹配返回成功需要從第一段頭部一直掃描到最後一個的末尾，這可能不是我們想要的結果。

將正規表示式中的“貪婪”量詞*改為“懶惰”（又名“非貪婪”）量詞*?，以匹配單個段落。“懶惰”量詞的回溯工作以相反方式進行。當正規表示式/<p>.*?<\/p>/推進到.*?時，首先嚐試全部跳過，然後繼續匹配<\/p>。

這樣做是因為*?匹配零次或多次，儘可能少重複，儘可能少意味著可以重複零次。但是，當隨後的<在字串的這一點上匹配失敗時，正規表示式回溯並嘗試下一個最小的字元數：1個。正規表示式繼續像這樣向前回溯到第一段的末尾，在那裡量詞後面的<\/p>得到完全匹配。

如果目標字串只有一個段落，那麼此正規表示式的“貪婪”版本和“懶惰”版本是等價的，但嘗試匹配的過程不同。

當一個正規表示式佔用瀏覽器幾秒甚至更長時間時，問題原因很可能是回溯失控。為說明此問題，給出下面的正規表示式，它的目標是匹配整個HTML檔案。此表示式被拆分成多行是為了適合頁面顯示。與其他正規表示式不同，JavaScript在沒有選項時可使點號匹配任意字元，包括換行符，所以此例中以[\s\S]匹配任意字元。

/<html>[\s\S]*?<head>[\s\S]*?<title>[\s\S]*?<\/title>[\s\S]*?<\/head>
[\s\S]*?<body>[\s\S]*?<\/body>[\s\S]*?<\/html>/

此正規表示式匹配在正常HTML 字串時工作良好，但當目標字串缺少一個或多個標籤時，就會變得十分糟糕。例如</html>標籤缺失，最後一個[\s\S]*?將擴充套件到字串的末尾，因為在那裡沒有發現</html>標籤，然後正規表示式將檢視此前的[\s\S]*?佇列記錄的回溯位置，使它們進一步擴大。正規表示式嘗試擴充套件倒數第二個[\s\S]*?—用它匹配</body>標籤，就是此前匹配過正規表示式模板<\/body>的那個標籤，然後繼續查詢第二個</body>標籤，直到字串的末尾。當所有這些步驟都失敗時，倒數第三個[\s\S]*?將被擴充套件，直至字串的末尾，依此類推。

此類問題的解決辦法在於儘可能具體地指出分隔符之間的字元匹配形式，如模板“.*?”用於匹配雙引號包圍的一個字串。用更具體的[^"\rn]*取代過於寬泛的.*?就去除了回溯時可能發生的幾種情況，如嘗試用點號匹配引號，或者擴充套件搜尋超出預期範圍。

在HTML 的例子中解決辦法不是那麼簡單。不能使用否定字元型別，如用[^<]替代[\s\S]，因為在搜尋過程中可能會遇到其他型別的標籤。但是，可以通過重複一個非捕獲組來達到同樣效果，它包含一個回溯（阻塞下一個所需的標籤）和[\s\S]（任意字元）元序列。這樣可以確保中間位置上查詢的每個標籤都會失敗。然後，更重要的是，[\s\S]模板在回溯過程中阻塞的標籤在被發現之前不能被擴充套件。應用此方法後對正規表示式的最終修改如下：

/<html>(?:(?!<head>)[\s\S])*<head>(?:(?!<title>)[\s\S])*<title>
(?:(?!<\/title>)[\s\S])*<\/title>(?:(?!<\/head>)[\s\S])*<\/head>
(?:(?!<body>)[\s\S])*<body>(?:(?!<\/body>)[\s\S])*<\/body>
(?:(?!<\/html>)[\s\S])*<\/html>/

雖然這樣做消除了潛在的回溯失控，並允許正規表示式在匹配不完整HTML字串失敗時的使用時間與文字長度呈線性關係，但是正規表示式的效率並沒有提高。像這樣為每個匹配字元進行多次前瞻，缺乏效率，而且成功匹配過程也相當慢。匹配較短字串時使用此方法相當不錯，而匹配一個HTML 檔案可能需要前瞻並測試上千次。

編寫高質量的js之正確理解正規表示式回溯

相關文章