PHP正则表达式效率 贪婪、非贪婪与回溯分析

先扫盲一下什么是正则表达式的贪婪，什么是非贪婪？或者说什么是匹配优先量词，什么是忽略优先量词？

好吧，我也不知道概念是什么，来举个例子吧。

某同学想过滤之间的内容，那是这么写正则以及程序的。

$str= preg_replace('%<script>.+?</script>%i','',$str);//非贪婪

看起来，好像没什么问题，其实则不然。若

$str='<script<script>alert(document.cookie)</script>>alert(document.cookie)</script>';

那么经过上面的程序处理，其结果为

1. $str='<script<script>alert(document.cookie)</script>>alert(document.cookie)</script>'; 
2. $str= preg_replace('%<script>.+?</script>%i','',$str);//非贪婪 
3. print_r($str); 
4. //$str 输出为 <script>alert(document.cookie)</script> 

仍然达不到他想要的效果,上面的就是非贪婪,也有的叫惰性,其标志非贪婪的标识为量数元字符后面加? ，比如 +?、*?、??(比较特殊，以后的BLOG中，我会写到)等。即标识非贪婪，如果不写?就是贪婪。比如

1. $str='<script<script>alert(document.cookie)</script>>alert(document.cookie)</script>'; 
2. $str= preg_replace('%<script>.+</script>%i','',$str);//非贪婪 
3. print_r($str); 
4. //$str 输出为 <script 只有这些了，好像还是不太合适，哈，您知道如何重写那个正则吗？ 

以上为贪婪，非贪婪的区别介绍。下面，聊下贪婪、非贪婪引起的回溯问题。先看个小例子。

正则表达式为/w*(/d+)，字符串为cfc456n，那么，这个正则匹配的$1是多少？？

如果您回答是 456,那么，恭喜你，回答错了，其结果不是456，而是6，您知道为什么吗？

CFC4N来解释一下，当正则引擎用正则/w*(/d+)去匹配字符串cfc456n时，会先用/w*去匹配字符串cfc456n，首先，/w*会匹配字符串cfc456n的所有字符，然后再交给/d+去匹配剩下的字符串，而剩下的没了，这时，/w*规则会不情愿的吐出一个字符，给/d+去匹配，同时，在吐出字符之前，记录一个点，这个点，就是用于回溯的点，然后/d+去匹配n，发现并不能匹配成功，会再次要求/w*再吐出一个字符，/w*会先再次记录一个回溯的点，再吐出一个字符。这时，/w* 匹配的结果只有cfc45了，已经吐出6n了，/d+再去匹配6，发现匹配成功，则会通知引擎，匹配成功了，就直接显示出来了。所以，(/d+)的结果是6，而不是456。

当上面的正则表达式改为 /w*?(/d+)（注意，此处为非贪婪），字符串仍然为cfc456n，那么，这时候，正则匹配的$1是多少？？

甲同学回答：结果是 456。

嗯，是的，正确，是456，CFC4N弱弱的问下，为什么是456 呢？

我在来解释一下 为什么是456

正则表达式有条规则，是量词优先匹配，所以/w*?会先去匹配字符串cfc456，由于/w*?是非贪婪，正则引擎会用表达式/w+?每次仅匹配一个字符串,然后再将控制权交给后面的/d+去匹配下一个字符，同时，记录一个点，用于在匹配不成功的时候，返回这里，再次匹配，也就是回溯点。由于/w后面是量词是*，*表示0到无数次，所以，首先是0次，也就是/w*?匹配个空，记录回溯点，将控制权交给/d+,/d+去匹配cfc456n的第一个字符c,然后，匹配失败，于是乎，接着讲控制权交给/w*?去匹配cfc456n的c，/w*?匹配c成功，由于是非贪婪，所以，他每次只匹配一个字符，记录回溯点，然后再将控制权交给/d+匹配f,接着，/d+匹配f再失败，再把控制权给/w*?，/w*?再匹配c,记录回溯点（这时/w*?匹配结果是cfc了），再把控制权给/d+，/d+去匹配4，匹配成功，然后，由于量词是+，就是1到无数次，所以，接着往后匹配，再匹配5，成功，再接着，再匹配6，成功，再接着，继续匹配操作，下一个字符是n，匹配失败，这时，/d+会吧控制权交出去。由于/d+后面已经没有正则表达式了，所以，整个正则表达式宣告匹配完成，其结果就是 cfc456, 其中第一组结果是456。亲爱的同学，您明白刚刚的题目的结果，为什么是456了吗？

好了，您是否从上面的例子了解了贪婪，非贪婪的匹配原理了？那您是否明白您在什么时候需要使用贪婪，非贪婪去处理您的字符串了？

鸟哥的文章里讲到针对表达式、程序为:

1. $reg="/<script>.*?<//script>/is"; 
2. $str="<script>********</script>";//长度大于100014 
3. $ret= preg_repalce($reg,"",$str);//返回NULL 

其原因就是回溯太多了,直到造成耗尽栈空间爆栈。

再来看个例子。

字符串:$str='<script>123456</script>';

正则表达式为:

1. $strRegex1='%<script>.+<//script>%'; 
2. $strRegex2='%<script>.+?<//script>%'; 
3. $strRegex3='%<script>(?:(?!<//script>).)+<//script>%';