一个很难的字符串问题

     作者: csdn-whinah 发表日期: 2012年02月20日 

http:///p/?p=153

有 n 个 RegEx (正则表达式)，标号从 0 到 n-1，n 可能很大 (比如说100万)。

问题：给定一个字符串，返回能 match 这个字符串的所有正则表达式标号。

用 C++ 来描述这个需求：

C++

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

class MultiRegEx { public:     struct MatchResult {         int nth; // regex NO.         int beg; // begin of matched pos in text         int end; // end of matched pos in text     };     // return the index NO. of the internal regex object, -1 indicate error     int add(const char* regex);     // compile the MultiRegEx     bool compile();     // length is the length of text     vector<MatchResult> match(const char* text, int length) const; };

这个问题看上去简单，但其实现非常复杂！一个简单生硬的实现是，随便拿一个正则表达式引擎（如boost.regex, pcre, re2, …），match 时逐个匹配，匹配成功的，加入返回值集合。但这个时间复杂度太高！

原则上，unix 下的 lex 可以匹配多个 RegEx，并返回那个被匹配的 RegEx 标号，但好像无法识别多个成功的 RegEx 匹配。

这个问题的一个简化版：这 n 个 RegEx 只是简单的 PlainString，就是 Multi String Match 问题，甚至是这个简化版，其实现复杂多都相当高（trie, double array, …）。

我找了很多资料，好像都没有特别合适的办法。

 

2013-08-31：

google re2 中有同时匹配多个正则表达式的功能，可惜还是有些缺陷，正在做自己的引擎，克服那些缺陷