Jeff Moser 解释.NET 正则表达式的工作方式

Jeff Moser 发表了一篇对.NET 中正则表达式工作方式的深入解析。他的文章谈及了微软实现中的一些核心操作原理，如编译正则表达式时使用的机器码。

他首先透露，最近使用的 15 个正则表达式会被缓存起来。对于那些只使用 1 到 2 个正则表达式的小型的应用程序，这意味着没有必要每次都创建一个 Regex 对象。

在编译正则表达式的时候，首先会通过一个扫描器（scanner）来生成（emit）一个 RegexTree。它的叶子节点就好像一种略加扩展的源代码，而下一步便是把它转换为正则表达式引擎所使用的机器码。

这些工作由 EmitFragment 函数完成，其中包含了大约 250 行的 switch 语句。这个函数把 RegexTree 打散成“碎片”再将它们转化为相对简单的 RegexCode 。

[…]

这些工作生成一个用于描述 RegexCode“操作码”及其参数的整数数组。例如，你可以看到一些例如“ Setrep ”的指令携带了一些字符串参数。这些参数指向了一个字符串表中的偏移量。这就是为什么说，正如我们之前看到的那样，把所有的东西打包成那些不规则字符串是很重要的原因。这是唯一可以传递指令信息的方法。

把代码数组分解之后，我们可以看到：

索引

指令

操作码 / 参数

字符串表的引用

描述

[Lazybranch](http://www.koders.com/csharp/fidF4B2B64D471D5B7401063DE2054CB33F28BDA026.aspx#L73)

23

延迟扩展至偏移量为 21 的 [Stop](http://www.koders.com/csharp/fidF4B2B64D471D5B7401063DE2054CB33F28BDA026.aspx#L91) 指令。

1

21
 
2

Setmark

31

把我们当前的状态放入栈中以便稍后进行回溯。

3

Multi

12

对字符串表中的第 0 项（即“http://”）进行一次多字符匹配。

4

  "http://"

5

Setmark

31

把我们当前的状态放入栈中以便稍后进行回溯。

6

Setrep

2

对于字符串表中位置为 1 的集合（即\[^\\s/\]）进行长度为 1 的反复匹配。

7

1

“\x1\x2\x1\x2F\x30\x64”

8

1
 
9

Setloop

5

在最多为 Int32.MaxValue 次的循环中对\[^\\s/\] 集合进行匹配。

10

1

“\x1\x2\x1\x2F\x30\x64”

11

2147483647
 
12

Capturemark

32

捕获组#1，即最近一次 Setmark 所标记的位置，到当前位置的字符串。

13

1
 
14
 
-1
 
15

Oneloop

3

在最多为 1 次的循环中匹配 Unicode 字符 47。

16

47
 
17
 
1
 
18

Capturemark

32

捕获组#0，即第一次 Setmark 所标记的位置，到当前位置的字符串。

19

    20
 
-1
 
21

Stop

40

停止匹配。

可以看到，正则表达式已经被转化为一个稍后可供运行的简单“程序”。

Jeff Moser 的博客中描述了有关这个过程的更多信息。他的文章还讨论了：

• 前缀优化
• 解释器
• 回溯
• 已知错误

查看英文原文： Jeff Moser’s How .NET Regular Expressions Really Work