湯普森構造法

湯普森構造法計算機科學中是指一個能將正則表達式轉化為一個與之等價的非確定有限狀態自動機(NFA)的算法。算法得到的NFA可以在編程中用於匹配一個正則表達式,這也是正則表達式引擎實現的基本思路之一。

正則表達式和非確定有限狀態自動機是形式語言的兩種不同的抽象表達方式。在諸如文本編輯器的高級「查找和替換」以及許多程式語言中,人們都習慣使用正則表達式來表示字符串的匹配模式。然而,當計算機執行匹配程序時,NFA卻是更加適合的一種格式。因此,湯普森構造法有著重要的應用價值,它實際上可以視作正則表達式到NFA的一個編譯器。而從理論角度上來說,該算法實際上是正則表達式和NFA等價性證明的一部分——事實上,這兩種表述形式本質上都對應著相同的語言,即正則語言

在應用中,算法得到的NFA可以再次通過冪集構造和最小化的過程得到一個對應的最簡的確定有限狀態自動機(DFA),進而用於匹配正則表達式。但是有些情況下也會直接使用對應的NFA。

算法介紹

編輯

構造規則

編輯

算法通過遞歸地將一個正則表達式劃分成構成它的子表達式,在得到每個子表達式對應的NFA之後,根據子表達式之間的運算關係和一系列規則構造表達式自身對應的NFA。[1]具體來說,這套構造規則如下所示[2]

遞歸終點

編輯

對於正則表達式為ε或者只由一個符號構成的情況,則無需繼續遞歸,對應的NFA可以直接由下列規則給出:

空表達式ε直接轉化為:

 

字母表中的單個符號a直接轉化為:

 

子表達式運算的構造規則

編輯

下面針對正則表達式的三種運算——並、連接和Kleene*閉包給出NFA的構造規則。設子表達式為s和t,則它們對應的NFA分別記作N(s)和N(t)。

兩個正則表達式的s|t可以轉化為:

 

通過ε轉移, 狀態q 可以直接到達N(s)或N(t)的初態。而N(s)或N(t)原來的終態也可以通過ε轉移直接到達整個NFA的新終態。

連接表達式st可以轉化為:

 

N(s)的初態成為新的NFA的初態。 原來N(s)的終態成為N(t)的初態。而原來N(t)的終態成為新的NFA的終態。

Kleene*閉包s*可以轉化為:

 

將新表達式的初態和終態以及夾在中間的子表達式的NFA N(s)連接起來的ε轉移使得可以選擇經過或者不經過子表達式。而從N(s)的終態到初態的ε轉移使得s可以重複任意多次。

  • 加括號的表達式 (s) 直接轉化為 N(s) 自身即可。

參考資料

編輯
  1. ^ Ken Thompson. Programming Techniques: Regular expression search algorithm. Communications of the ACM. Jun 1968, 11 (6): 419–422. doi:10.1145/363347.363387. 
  2. ^ Alfred V. Aho, Ravi Sethi, Jeffrey Ullman: Compilers: Principles, Techniques and Tools. Addison Wesley, 1986