2014年5月4日09:03从http://code.google.com/p/febird/wiki/MultiRegexMatch更新至最新版

Introduction

This Multiple Regex Matching solution includes two parts:

• An offline multiple regex builder application: regex_builder
  1. regex_builder build multiple regex into a DFA file
  2. if using binary mode,generate an optional binMeta text file describe the regex Meta info

• An online multiple regex matching API
  1. Use the general API load the DFA built by regex_builder
  2. Construct theMultiRegexFullMatchobject from the DFA
  3. Construct theMultiRegexSubMatch,if the submatch capture is required
     • Note: This algorithm could only capture submatch for one-pass regex

• This algorithm is very efficient for large number(such as 1,000,000) of regex recognition,a shinning example is query classification

• This algorithm could be regarded as a generic Key-Value map,which Key is a regular expression

介绍

这个程序包含一个非常高效的算法，用来匹配多个正则表达式。经过预处理，仅用 O(n) 的时间复杂度，就可以识别出一个输入字符串（长度为n）能匹配哪些（可能是多个）正则表达式。算法的详细内容可参见：

1. 多正则表达式匹配(Multiple Regular Expression Matching)
2. 多正则表达式匹配(Multiple Regular Expression Matching) 中的动态 DFA 算法

作为一个完整的解决方案，这个程序包括两部分：

• 一个离线 Build 程序：regex_build
  1. regex_build 会把输入的正则表达式编译成一个 DFA ，正则表达式的编译使用了 re2 的前端 Parser
  2. 如果使用二进制模式，还会生成一个 binMeta 文本文件，用来描述 DFA 的元信息
     • 该文件生成后不可被更改，否则会产生未定义行为
     • 目前应该首选二进制模式

• 该程序对大规模的规则系统（例如100万个正则表达式）会非常有用，比如query分类

Compile

$ cd febird-trunk
$ make -C tools/regex
$ ll tools/regex/*/*.exe
-rwxrwxrwx 1 leipeng leipeng 15M 2013-11-02 15:41:54 tools/regex/dbg/regex_build.exe
-rwxrwxrwx 1 leipeng leipeng 26M 2013-11-02 15:42:06 tools/regex/rls/regex_build.exe

regex_builder 使用方法

regex_builder.exe 将很多个正则表达式 offline build成一个DFA文件，online程序使用时，先加载DFA文件，当匹配文本时，可以获知匹配到了哪些正则表达式，同一个文本可能匹配多个正则表达式。

匹配接口分文本接口于二进制接口两种，目前二进制接口已经有了很友好的封装，推荐使用。

文本接口的使用方法与之前的DFA词表完全相同（match_key接口）。

该程序使用 re2 的parser前端，生成 febird 自己的 DFA 文件

命令行选项与参数

命令行： regex_build.exe Options

关于 -d 选项

一开始 febird DFA 通过 match_key 接口来实现正则表达式匹配，必须在 byte 的取值范围 [0,256) 之间取一个作为分隔符。后来，经过仔细考虑，通过扩充自动机的字符集( r1303)，从而 delimeter 可以在 [0,256) 之外取值，于是就不再需要从 [0,256) 取一个特殊值来作为分隔符。

这样，正则表达式匹配就可以有更广的适用范围。另一方面，表面上看，似乎去除一个特殊byte值作为delimeter会影响二进制模式的匹配，其实一点也不会。正则表达式相当于key，正则表达式的 id 相当于是 value，delimeter 不能出现在 key 中，但可以出现在 value 中，从而，value可以是任意二进制数据。实际上，二进制匹配接口的实现是先于 r1303的。

于是，现在，只有在当 你知道你在干什么的时候，才需要指定 -d delim选项，否则，一定不要用 -d

输入文件Regex.txt 的格式

regexp \t id

第一列是正则表达式，如果行首字符是*，表示忽略该正则表达式的 one pass 属性，无条件获取 submatch，用*做标志的原因是以*开头的正则表达式是非法的正则，从而不会引发歧义，也不会减少表达能力。

第二列是正则表达式的id，该id可以是任意字符串，用来标识这条规则。多个正则表达式可以有相同的id，此时等效于将多个正则表达式或起来放在一行。

一个示例的Regex.txt

a.*b  a-dot-star-b
a[a-f]*b  1
a]*([a-c]*)+[bc]+  2
a(1|234)[ab][ab]{5}  3
a([0-3a-dx-z,})[2cdxy]*abc 4
[358][9])[8}  mobile-phone-num
\+86-(} china-mobile\d{}\.\d} ip_address
antidisestablishmentarianism  一般人能看懂的最长单词

非常重要！注意事项！

谨慎使用.*，特别是当.*处于正则表达式开头时

普通字符串（不包括正则表达式的元字符）也可以放进Regex.txt，可以为所有普通字符串赋予一个相同的id，这样就将正则表达式和普通字符串build到同一个DFA中了，普通字符串在DFA中占的空间相对要小得多，如果普通字符串很多，可以尝试用 -t x选项，看生成的DFA文件是否更小。

匹配接口: 二进制模式

要使用二进制接口，在使用 regex_build.exe 创建自动机时，必须加 -b bin_Meta_file 选项

MultiRegexFullMatch

参考MultiRegexFullMatch示例程序

MultiRegexSubMatch

参考MultiRegexSubmatch示例程序

匹配任意位置

如果要匹配任意位置，需要自己每次前进一个(utf8)字符，重新开始匹配(match_and_print)：

 #include <febird/util/unicode_iterator.hpp> // for febird::utf8_byte_count
 // ......
 // ...
   fstring text = some string;
   for (size_t off = 0; off < text.size(); ) {
     fstring suffix(text.begin() + off,text.end());
     match_and_print(sub,suffix);
     off += febird::utf8_byte_count(text[off]);
   }

匹配接口: 文本模式

文本接口是在创建该算法的原型时使用的，不推荐使用，除非作为 Demo 或者——你知道你在干什么！

匹配接口使用方法可以参考DFA_Interface::match_key 示例程序

直接去 febird-trunk/samples/automata/abstract_api/ 目录运行 make即可编译，编译输出在 rls 和 dbg 目录下

编译出来的 match_key 程序可用来测验匹配（match_key程序使用的 delimiter是 \t ）:

febird-trunk/samples/automata/abstract_api/rls/match_key -d -i samples.dfa abcccb 输出：

abcccb ----------
ab          value: idx=00000000 str1
ab          value00000001 str2
ab          value00000002 str=a-b
abc         value2
abcc         value2
abccc        value2
abcccb        value1
abcccb        value-b

输出的 str=1 str=2 str= a-dot-star-b就是匹配到了id为1、2、a-dot-star-b的正则表达式

使用 match_key 接口，正则表达式匹配和词典匹配就完全相同。