正则表达式（六）-构建

内容包括：

平衡法则
构建正则前提
准确性
效率

1、平衡法则

构建正则有一点非常重要，需要做到下面几点的平衡：
        匹配预期的字符串
        不匹配预期的字符串
        可读性和可维护性
        效率

2、构建正则前提

2.1 是否能使用正则？

正则太强大了，以至于我们随便遇到一个操作字符串问题时，都会下意识地去想，用正则该怎么做。但我们
始终要提醒自己，正则虽然强大，但不是万能的，很多看似很简单的事情，还是做不到的。

比如匹配这样的字符串:1010010001...。

虽然很有规律，但是只靠正则就是无能为力。

2.2 是否有必要使用正则?

要认识到正则的局限，不要去研究根本无法完成的任务。同时，也不能走入另一个极端:无所不用正则。能
用字符串 API 解决的简单问题，就不该正则出马。

2.3 是否有必要构建一个复杂的正则?

比如密码匹配问题，要求密码长度 6-12 位，由数字、小写字符和大写字母组成，但必须至少包括 2 种字符。

在第2章里，我们写出了正则是:
/(?!^[0-9]{6,12}$)(?!^[a-z]{6,12}$)(?!^[A-Z]{6,12}$)^[0-9A-Za-z]{6,12}$/

其实可以使用多个小正则来做:

var regex1 = /^[0-9A-Za-z]{6,12}$/;
var regex2 = /^[0-9]{6,12}$/;
var regex3 = /^[A-Z]{6,12}$/;
var regex4 = /^[a-z]{6,12}$/;
function checkPassword (string) {
    if (!regex1.test(string)) return false;
    if (regex2.test(string)) return false;
    if (regex3.test(string)) return false;
    if (regex4.test(string)) return false;
    return true;
}

3、准确性

所谓准确性，就是能匹配预期的目标，并且不匹配非预期的目标。
这里提到了“预期”二字，那么我们就需要知道目标的组成规则。
不然没法界定什么样的目标字符串是符合预期的，什么样的又不是符合预期的。
下面将举例说明，当目标字符串构成比较复杂时，该如何构建正则，并考虑到哪些平衡。

3.1 匹配固定电话

比如要匹配如下格式的固定电话号码：

055188888888
0551-88888888
(0511)88888888

第一步，了解各部分的模式规则。

上面的电话，总体上分为区号和号码两部分(不考虑分机号和 "+86" 的情形)。

区号是 "0" 开头的 3 到 4 位数字，对应的正则是:0\d{2,3}，

号码是非 "0" 开头的 7 到 8 位数字，对应的正则是:[1-9]\d{6,7}，

因此，匹配 "055188888888" 的正则是:/^0\d{2,3}[1-9]\d{6,7}$/，

匹配 "0551-88888888" 的正则是:/^0\d{2,3}-[1-9]\d{6,7}$/，

匹配 "(0551)88888888" 的正则是:/^\(0\d{2,3}\)[1-9]\d{6,7}$/。

第二步，明确形式关系。

这三者情形是或的关系，可以构建分支:
/^0\d{2,3}[1-9]\d{6,7}$|^0\d{2,3}-[1-9]\d{6,7}$|^\(0\d{2,3}\)[1-9]\d{6,7}$/

提取公共部分:
/^(0\d{2,3}|0\d{2,3}-|\(0\d{2,3}\))[1-9]\d{6,7}$/

进一步简写:
/^(0\d{2,3}-?|\(0\d{2,3}\))[1-9]\d{6,7}$/

上面的正则构建过程略显罗嗦，但是这样做，能保证正则是准确的。

上述三种情形是或的关系，这一点很重要，不然很容易按字符是否出现的情形把正则写成:
/^\(?0\d{2,3}\)?-?[1-9]\d{6,7}$/

虽然也能匹配上述目标字符串，但也会匹配 "(0551-88888888" 这样的字符串。当然，这不是我们想要的。

其实这个正则也不是完美的，因为现实中，并不是每个 3 位数和 4 位数都是一个真实的区号。

这就是一个平衡取舍问题，一般够用就行。

3.2 匹配浮点数

要求匹配如下的格式：

1.23、+1.23、-1.23
10、+10、-10
.2、+.2、-.2

可以看出正则分为三部分。

符号部分:[+-]，

整数部分:\d+，

小数部分:\.\d+。

上述三个部分，并不是全部都出现。如果此时很容易写出如下的正则:
/^[+-]?(\d+)?(\.\d+)?$/

此正则看似没问题，但这个正则也会匹配空字符""。

因为目标字符串的形式关系不是要求每部分都是可选的。

要匹配 "1.23"、"+1.23"、"-1.23"，可以用/^[+-]?\d+\.\d+$/，

要匹配 "10"、"+10"、"-10"，可以用/^[+-]?\d+$/，

要匹配 ".2"、"+.2"、"-.2"，可以用/^[+-]?\.\d+$/。

因此整个正则是这三者的或的关系，提取公众部分后是:
/^[+-]?(\d+\.\d+|\d+|\.\d+)$/

如果要求不匹配 "+.2" 和 "-.2"，此时正则变成:
/^([+-]?(\d+\.\d+|\d+)|\.\d+)/

当然，/^[+-]?(\d+\.\d+|\d+|\.\d+)$/ 也不是完美的，我们也是做了些取舍，比如:
它也会匹配 "012" 这样以 "0"开头的整数。如果要求不匹配的话，需要修改整数部分的正则。一般进行验
证操作之前，都要经过 trim 和判空。那样的话，也许那个错误正则也就够用了。也可以进一步改写成:
/^[+-]?(\d+)?(\.)?\d+$/，这样我们就需要考虑可读性和可维护性了。

4、效率

保证了准确性后，才需要是否要考虑要优化。大多数情形是不需要优化的，除非运行的非常慢。什么情形正
则表达式运行才慢呢?我们需要考察正则表达式的运行过程(原理)。

正则表达式的运行分为如下的阶段:
        1. 编译;
        2. 设定起始位置;
        3. 尝试匹配
        4. 匹配失败的话，从下一位开始继续第 3 步;
        5. 最终结果:匹配成功或失败。

4.1 使用具体型字符组来代替通配符，来消除回溯

4.2 使用非捕获型分组

因为括号的作用之一是，可以捕获分组和分支里的数据。那么就需要内存来保存它们。

当我们不需要使用分组引用和反向引用时，此时可以使用非捕获分组。

例如，/^[-]?(\d\.\d+|\d+|\.\d+)$/ 可以修改成:/^[-]?(?:\d\.\d+|\d+|\.\d+)$/。

4.3 独立出确定字符

例如，/a+/可以修改成 /aa*/。

因为后者能比前者多确定了字符 "a"。这样会在第四步中，加快判断是否匹配失败，进而加快移位的速度。

4.4 提取分支公共部分

比如，/^abc|^def/ 修改成 /^(?:abc|def)/。

又比如， /this|that/修改成 /th(?:is|at)/。

这样做，可以减少匹配过程中可消除的重复。

4.5 减少分支的数量，缩小它们的范围

/red|read/ 可以修改成 /rea?d/。

此时分支和量词产生的回溯的成本是不一样的。但这样优化后，可读性会降低的。