原子分组

原子分组

原子组是一个组，当正则表达式引擎退出该组时，它会自动丢弃该组内所有标记记住的所有回溯位置。原子组是不可捕获的。语法为(?>group)。环视组也是原子的。大多数现代的正则表达式都支持原子分组，包括JGsoft，Java，PCRE，.NET，Perl，Boost和Ruby。其中大多数还支持所有格修饰符，这在本质上是原子分组的简写符号。

下面我们使用一个示例大致上了解一下原子组的行为。正则表达式a(bc|b)c（这是一个捕获组）匹配abcc和abc 。正则表达式a(?>bc|b)c（这是原子组）匹配abcc但不匹配abc 。

当应用于字符串abc ，两个正则表达式都匹配token a和字符a，token bc和字符串bc，然后c将在字符串的末尾不能匹配。在这里，他们的方式各不相同。具有捕获组的正则表达式已经记住了选择项的回溯位置。该次匹配将失效，然后token b则匹配b; token c匹配字符c。找到匹配项。Perfect!                

但是，具有原子组的正则表达式在bc匹配后从原子组处退出。此时，该组内token的所有回溯位置都将被丢弃。在此示例中，选择选项尝试在字符串的第二个位置尝试匹配b 。结果，当c失败时，正则表达式引擎没有其他选择可以尝试。

当然，上面的例子不是很有用。但是它确实非常清楚地说明了原子分组如何消除某些匹配。更重要的是，它消除了某些匹配尝试。

使用原子分组进行正则表达式优化

考虑正则表达式\b(integer|insert|in)\b和目标字符integers。显然，由于边界字符的存在，它们不匹配。正则表达式引擎将花费很多精力来解决这个问题。

\b在字符串的开头匹配，并且integer匹配integer 。正则表达式引擎注意到该组中还有两个替代方案，并以\b继续。这不能匹配r和s 。因此，引擎回溯以尝试组内的第二个选择项。第二种选择匹配in，但随后不匹配s。因此，引擎再次回溯到第三种选择。正则in匹配字符串in。\b这次在n和t之间失败。正则表达式引擎不再记住回溯位置，因此它宣告失败。

要找出integers不在我们的单词列表中，正则引擎做了很多工作。我们可以告诉正则表达式引擎，如果它在匹配integer之后不能匹配\b那么就不要再进行其他选择项的尝试，那么它就不必理会其他任何单词。这样能在很大程度上优化正则匹配的性能。我们在目标字符串中遇到的单词是一个较长的单词，并且不在我们的列表中。

我们可以通过将捕获组变成一个原子组来做到这一点：\b(?>integer|insert|in)\b。现在，当integer匹配时，引擎从原子组中退出，并丢弃其为选择项存储的回溯位置。当\b失败时，引擎立即放弃。当扫描大型文件中的一长串关键字时，这种方式对性能的提升可能非常可观。当我们的选择项包含导致灾难性回溯的重复token（更不用说重复的组）时，这种优化至关重要。

不要急着使所有组原子化。正如我们在上面的第一个示例中看到的那样，原子分组也会排除有效匹配项。将\b(?>integer|insert|in)\b和\b(?>in|integer|insert)\b应用于字符串insert时。前者的正则表达式匹配，而后者则失败。如果不是原子组，则两个正则表达式都能匹配。请务必记住，选择项尝试从左到右进行选择。如果第二个正则表达式匹配到in，则由于原子组的原因，它将不会尝试其他两个替代方法。