正则表达式效率：贪婪、非贪婪与回溯详解
某同学想过滤 之间的内容，那是这么写正则以及程序的。
1 $str = preg_replace('%<script>.+?</script>%i','',$str);//非贪婪
看起来，好像没什么问题，其实则不然。若
1 $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
1 $str = '<script>123456</script>';
正则表达式为
1 $strRegex1 = '%<script>.+</script>%';
2 $strRegex2 = '%<script>.+?</script>%';
3 $strRegex3 = '%<script>(?:(?!</script>).)+</script>%';
这三个正则，分别会造成几次回溯呢？？
答案见下篇 PHP正则表达式的效率：回溯与固化分组
上文中，我们聊到了一点关于PHP中（NFA PCRE）正则表达式匹配优先量词，忽略优先量词的匹配原理了。那么上文留下的问题，您的答案是什么呢？
先来看下问题。
字符串
查看源代码
< id="highlighter_297259_clipboard" title="复制到剪贴板" classid="clsid:d27cdb6e-ae6d-11cf-96b8-444553540000" width="16" height="16" codebase="http://download.macromedia.com/pub/shockwave/cabs/flash/swflash.cab#version=9,0,0,0" type="application/x-shockwave-flash">
打印帮助
1 $str = '<script>123456</script>';
正则表达式为
查看源代码
< id="highlighter_598167_clipboard" title="复制到剪贴板" classid="clsid:d27cdb6e-ae6d-11cf-96b8-444553540000" width="16" height="16" codebase="http://download.macromedia.com/pub/shockwave/cabs/flash/swflash.cab#version=9,0,0,0" type="application/x-shockwave-flash">
打印帮助
1 $strRegex1 = '%<script>.+</script>%';
2 $strRegex2 = '%<script>.+?</script>%';
3 $strRegex3 = '%<script>(?:(?!</script>).)+</script>%';
这三个正则，分别会造成几次回溯呢？？
答案：
查看源代码
< id="highlighter_886386_clipboard" title="复制到剪贴板" classid="clsid:d27cdb6e-ae6d-11cf-96b8-444553540000" width="16" height="16" codebase="http://download.macromedia.com/pub/shockwave/cabs/flash/swflash.cab#version=9,0,0,0" type="application/x-shockwave-flash">
打印帮助
1 $strRegex1 = '%<script>.+</script>%'; //9次，记得区别转义符号。
2 $strRegex2 = '%<script>.+?</script>%'; //5次
3 $strRegex3 = '%<script>(?:(?!</script>).)+</script>%'; //7次
对于第一种贪婪匹配的匹配规则，回溯的9次是正则【】对字符串“”匹配时，构成的回溯，回溯的次数，恰好是字符串的长度。
第二种非贪婪匹配规则，回溯5次，是正则【.+?】对字符串“123456”匹配时构成的回溯。回溯的次数，为字符串长度减去最小次数。也就是6-1=5次。如果正则表达式为【.*?】那么，回溯次数就是6次了。
第三种正则是零宽断言，或者叫环视。（暂且不说。）
在NFA正则引擎中，回溯是他的灵魂，所以，不管是贪婪，非贪婪，环视等写法中肯定会有回溯的出现的，这个我们无法避免（用词不太准确），但是，我们可以减少回溯的次数，或者保护其中一部分匹配的规则不进行回溯。
对于上篇BLOG上提到的鸟哥谈到一个非贪婪引起的大量回溯问题，大家可以知道，回溯，确实是浪费资源的罪魁祸首，那么，我们能否不让其回溯呢？
答案是肯定的，NFA引擎中，有个概念，叫固化分组。引用一下书上的概念
具体来说，使用「(?>…)」的匹配与正常的匹配并无差别，但是如果匹配进行到此结构之后（也就是，进行到闭括号之后），那么此结构体中的所有备用状态都会被放弃。也就是说，在固化分组匹配结束时，它已经匹配的文本已经固化为一个单元，只能作为整体而保留或放弃。括号内的子表达式中未尝试过的备用状态都不复存在了，所以回溯永远也不能选择其中的状态（至少是，当此结构匹配完成时，“锁定（locked in）”在其中的状态）。
那么，固化分组到底有什么用处呢？我们来举个例子。（找不到合适的例子，俺只好借用一下书上的例子了）
比如要处理一批数据，原来格式为123.456，后来因为浮点数显示问题，部分数据格式变为123.456000000789这种，，要求做到只保留小数点后面2-3位，但是，最后一位不能为0，这个正则如何写呢？（下面直接考虑小数点后面的数字），写出正则之后，我们还要用这个正则去匹配数据，把原来的数据替换成匹配的结果。
首先，我们可以立刻写出这样的正则【.dd[1-9]?d*】，PHP代码为
1 $str = preg_replace('.(dd[1-9]?)d*','\1',$str); //匹配结果的group1进行反向引用
很明显，这种写法，对于部分数据格式为123.456的这种格式，白白的处理了一遍，为了提高效率，我们还要对这个正则进行处理。从123.456这个字符串跟其他的比较一下，我们发现，是疑问123.456这个数据后面没数字了，所以，白白处理一遍。那好办，我们对这个正则改造一下，把后面的量词*改成+，这样对于123.45 小数点后面1，2位数字的，不会去白白处理，而且，对三位以上数字的，处理正常。其PHP代码为
1 $str = preg_replace('.(dd[1-9]?)d+','\1',$str);
好了，这个正则真的没问题吗？？确定吗？上篇博文，我们了解了匹配原理，那么，我们也分析一下这个正则的匹配过程吧。
字符串"123.456",正则表达式为【.(dd[1-9]?)d+】，我们来看下
首先（小数点前123不说了），【.】匹配"."，匹配成功，把控制权给下一个【d】，【d】匹配“4”成功，把控制权给第二个【d】，这个【d】匹配“5”成功，然后，把控制权给了【[1-9]?】，由于量词是【?】，正则表达式遵循“量词优先匹配”，而且，此处是【?】，还会留下一个回溯点。然后匹配"6"成功，然后把控制权给【d+】，【d+】发现后面没字符了，最遵循“后进先出”规则，回到上一个回溯点，进行匹配，这时，【[1-9]?】会交还出其匹配的字符“6”，【[1-9]?】匹配“6”成功。匹配完成了。大家发现【(dd[1-9]?)】匹配的结果确是"45",并不是我们想要的“456”，“6”被【d+】匹配去了。那么，我们该如何办呢？ 能否让【[1-9]?】匹配一旦成功，不进行回溯呢？这就用到了我们上面说的"固化分组", PHP（preg_replace函数）中使用的正则引擎支持固化分组，我们根据固化分组的写法，可以把代码改成如下方式
1 $str = preg_replace('.(dd(?>[1-9]?))d+','\1',$str);
改成这样的话，那字符串“123.456“是不符合要求，不会被匹配的。那我们就可以实现我们的要求了。
从上面的例子中，知道了固化分组的作用，那么对于鸟哥BLOG上写的那个非贪婪的回溯问题，我们能否也对其改造，使得其不回溯呢？
先看下鸟哥给的答案
1 /<script>[^<]*</script>/is
鸟哥写的很精悍。排除“<”之外的所有字符都符合，而且，中间部分不回溯，效率高。可是，如果中间有字符“<“的话（如下代码）
1 <script>
2 if a < b
3 </script>
那鸟哥的这个正则就不能匹配，就不能实现我们想要的功能了。
那我们可以根据 固化分组、环视(零宽断言)来实现这个要求，最后，CFC4N给出的正则以及PHP代码事例如下
1 $reg = '%<script>(?>[^<]*)(?>(?!</?script>)<[^<]*)*</script>%is';
2 $str = str_pad("<script>", 111111, "*"); //字符长度大于PHP回溯限制的100000
3 $str .= 'if a < b ; if b > c;</script>'; //随便加几个包含 < > 的测试字符
4 $ret = preg_replace($reg, "OK", $str);
5 print_r($ret); //打印结果 OK，证明匹配正确
6 var_dump(preg_last_error()); //上一次匹配错误。其输出为 int(0)
嗨，同学，你看明白了吗？
以上为小菜CFC4N的愚文，如有错误，欢迎指出。
补充：网页制作,js教程 
