不到40行代码构建正则表达式引擎

译者注：如何用不到40行的代码构建一个正则表达式引擎？作者在本文就将他本人的解决思路记录了下来，如果你也想挑战，不妨借鉴一下作者的思路，说不定你写的代码可能不到30行。以下为译文。

无意之间我发现了一篇文章，Rob Pike用C语言实现了一个正则表达式引擎的模型。于是我也尝试用Javascript写一个，并且增加了测试规范。测试规范和解决方案都放在了GitHub仓库上面。本文将重点介绍解决方案。

问题描述

正则表达式引擎将支持以下语法：



最终目标是用最少的代码提供最强大的功能，从而满足上述正则表达式用例。

单字符匹配

第一步是编写一个函数，该函数有两个入参，返回值是一个布尔类型，表示匹配结果。

.

表示通配模式，可以匹配任意字符。

简单举一些用例：

matchOne('a', 'a')

->

true

matchOne('.', 'z')

->

true

matchOne('', 'h')

->

true

matchOne('a', 'b')

->

false

matchOne('p', '')

->

false

function matchOne(pattern, text) {
if (!pattern) return true // Any text matches an empty pattern
if (!text) return false   // If the pattern is defined but the text is empty, there cannot be a match
if (pattern === ".") return true // Any inputted text matches the wildcard
return pattern === text
}

相同长度的字符串匹配

现在需要增加参数的长度，并且暂时只考虑pattern和string长度相同的情况。根据以前的经验，我很自然的认为这种情况非常适合用递归来解决。 我们只需要反复调用

matchOne

函数就可以了。

function match(pattern, text) {
if (pattern === "") return true  // Our base case - if the pattern is empty, any inputted text is a match
else return matchOne(pattern[0], text[0]) && match(pattern.slice(1), text.slice(1))
}

上面的代码首先将

pattern[0]

与

text[0]

进行比较，然后将

pattern[1]

与

text[1]

进行比较，并继续将

pattern[i]

与

text[i]

进行比较，直到

i === pattern.length - 1

。如果在某个地方没有匹配成功，那么最终返回的结果就是匹配失败。

我们来举个例子。假设调用

match（'a.c'，'abc'）

，实际上返回的就是

matchOne（'a'，'a'）&& match（'.c'，'bc'）

。

如果继续分析下去，其实最终的结果就是

matchOne（'a'，'a'）&& matchOne（'.'，'b'）&& matchOne（'c'，'c'）&& match（""，""）

，这就相当于

true && true && true && true

，所以返回结果就是true！

$字符

接下来增加特殊字符

$

的支持，它可以匹配字符串后面的所有字符。要想实现该功能，只需要在上一步的

match

函数中增加一个额外基本情况的判断就可以了。

function match(pattern, text) {
if (pattern === "") return true
if (pattern === "$" && text === "") return true
else return matchOne(pattern[0], text[0]) && match(pattern.slice(1), text.slice(1))
}

^字符

让我们添加对特殊模式字符

^

的支持，它允许匹配字符串的开头。这里我将介绍一个新的函数–

search

。

function search(pattern, text) {
if (pattern[0] === "^") {
return match(pattern.slice(1), text)
}
}

这个函数将成为代码的新入口。到目前为止只是在文本开始时才开始匹配。现在只是通过强迫用户以

^

来开始。但是如何支持文本中出现的任何模式呢？

任意位置的匹配

截止到目前为止，下面的表达式将会返回

true

。

search("^abc", "abc")

search("^abcd", "abcd")

但是

search("bc", "abcd")

返回的却是

undefined

。我们期望让它返回

true

。

如果用户没有指明要从第一个字符开始就要匹配，那么我们希望在文本内的每个可能的起始点进行搜索。这是默认的处理规则，除非pattern是以

^

开始。

function search(pattern, text) {
if (pattern[0] === "^") {
return match(pattern.slice(1), text)
} else {
// This code will run match(pattern, text.slice(index)) on every index of the text.
// This means that we test the pattern against every starting point of the text.
return text.split("").some((_, index) => {
return match(pattern, text.slice(index))
})
}
}

?字符

使用

?

的话，那么在

?

前面的0个或者1个字符可以进行匹配。

这里有一些范例：

search("ab?c", "ac")

->

true

search("ab?c", "abc")

->

true

search("a?b?c?", "abc")

->

true

search("a?b?c?", "")

->

true

第一步是修改

match

函数，当检测到

?

字符出现以后就开始调用

matchQuestion

函数，

matchQuestion

函数的定义将会在下面的内容看到。

function match(pattern, text) {
if (pattern === "") {
return true
} else if (pattern === "$" && text === "") {
return true
// Notice that we are looking at pattern[1] instead of pattern[0].
// pattern[0] is the character to match 0 or 1 of.
} else if (pattern[1] === "?") {
return matchQuestion(pattern, text)
} else {
return matchOne(pattern[0], text[0]) && match(pattern.slice(1), text.slice(1))
}
}

matchQuestion

函数需要处理两种情况：

?

之前的字符没有匹配成功，但是

?

后面所有的文本都和pattern的剩余部分匹配成功了；

?

之前的字符都匹配成功了，并且其余的文本（这里应该减去一个字符）也和pattern的剩余部分匹配成功了；
上面两种情况中只要满足一种，那么

matchQuestion

函数就会返回

true

。

让我们先考虑第一种情况。如果pattern中的文本除了

_?

不一样以外，其它都能匹配成功，这种情况我们怎么去检查呢？换句话说，如果

?

前面的字符只出现了0次，这种情况我们怎么去检查呢？我们从pattern剔除掉2个字符（第一个字符就是

?

前面的哪个，第二个字符就是

?

本身），然后再调用match函数。

function matchQuestion(pattern, text) {
return match(pattern.slice(2), text);
}

第二种情况更具挑战性，但是和上面介绍的一样，它还是重用了之前已经写好的函数。

function matchQuestion(pattern, text) {
if (matchOne(pattern[0], text[0]) && match(pattern.slice(2), text.slice(1))) {
return true;
} else {
return match(pattern.slice(2), text);
}
}

如果

text[0]

跟

pattern[0]

匹配上了，而且其它的文本和pattern中剩余的也能匹配上，那么我们就成功了。注意，代码我们也可以这么写：

function matchQuestion(pattern, text) {
return (matchOne(pattern[0], text[0]) && match(pattern.slice(2), text.slice(1))) || match(pattern.slice(2), text);
}

我更喜欢后面一个方法的原因是因为它明确地指出了有两种情况，只要满足其中一种，那么返回的结果就是

true

。

*字符

我们希望能够匹配

*

前面0个或多个字符。

下面这些表达式的返回结果都应该是

t
4000
rue

。

search("a*", "")

search("a*", "aaaaaaa")

search("a*b", "aaaaaaab")

这个跟

?

的情况很相似，我们在

match

函数里面再增加一个

matchStar

方法。

function match(pattern, text) {
if (pattern === "") {
return true
} else if (pattern === "$" && text === "") {
return true
} else if (pattern[1] === "?") {
return matchQuestion(pattern, text)
} else if (pattern[1] === "*") {
return matchStar(pattern, text)
} else {
return matchOne(pattern[0], text[0]) && match(pattern.slice(1), text.slice(1))
}
}

matchStar

和

matchQuestion

一样，也要处理两种情况：

*

前面的部分没有匹配成功，但是其它文本和pattern中

*

后面的都匹配成功了；

*

前面的部分匹配成功了，并且其它文本和pattern中

*

后面的也都匹配成功了；
由于这两种情况都能决定匹配的结果，因此我们知道

matchStar

可以用布尔类型OR来实现。此外，

matchStar

的情况1与

matchQuestion

的情况1完全相同，因此同样也可以使用

match（pattern.slice（2），text）

进行实现。这意味着我们只需要制定满足情况2的表达式。

function matchStar(pattern, text) {
return (matchOne(pattern[0], text[0]) && match(pattern, text.slice(1))) || match(pattern.slice(2), text);
}

重构

现在我们可以回过头来，对

search

函数进行简化，而且正好可以将我从Peter Norvig写的类里面学到的一个技巧应用上。

function search(pattern, text) {
if (pattern[0] === "^") {
return match(pattern.slice(1), text)
} else {
return match(".*" + pattern, text)
}
}

我们使用

*

字符本身来允许pattern中字符串可以出现在任何地方。前面的

.*

表示在pattern前面出现了任何数量的任何字符，我们也希望能匹配成功。

结论

功能如此强大，但是代码却如此简洁明了，这真是一件很了不起的事情。完整的源代码可以再GitHub仓库中找到。