Regex 如何使用字符范围实现正则表达式NFA？

当你读到这样的帖子时，一切看起来都很简单，直到你意识到在现实生活中，你不仅需要像“7”或“b”这样的直接字符，还需要：

[A-Z]
[^_]
.

即字符类（或范围）。因此我的问题是——如何使用字符范围构建NFA？使用诸如“不是A”、“其他任何东西”之类的元字符，然后计算重叠范围？这将导致在使用最终自动机时使用树状结构，而不仅仅是一个表

更新：请假设字母表大小不小（>>256）

---

我问的是NFA，但后来我也想将NFA转换为DFA。

最简单的方法是：

使用段作为NFA和DFA中过渡的标签。例如，范围[a-z]将被重新呈现为段

[97122]

；单个字符“a”将变成

[97,97]

；任何字符“.”都将变成

[minCode，maxCode]

每个否定范围[^a-z]将导致从开始状态到下一状态的两次转换。在本例中，应创建两个转换

[minCode，96]

和

[123，maxCode]

当范围通过枚举所有可能的字符[abcz]来表示时，应该创建每个字符的转换，或者代码将第一个字符分组到范围中，以优化转换的数量。因此[abcz]将变成

[a-c]| z

。因此，两次转变而不是四次

这对NFA来说应该足够了。但是，当存在具有相交字符范围的转换时，将NFA转换为DFA的经典方法将不起作用。 要解决这个问题，只需要一个额外的泛化步骤。一旦一组输入符号被创建，在我们的例子中，它将是一组段，它应该被转换成一组不相交的段。这可以在时间O（n*Log（n））中完成，其中n是使用优先级等式（PQ）的集合中的段数，其中段由左分量排序。例如：

  Procedure DISJOIN:
   Input  <- [97, 99] [97, 100] [98, 108]
   Output -> [97, 97] [98, 99], [100, 100], [101, 108]

过程分离：
输入[97,97][98,99]，[100100]，[101108]

第2步。要从“设置状态”创建新的转换，应修改算法，如下所示：

   for each symbol in DISJOIN(input symbols)
     S <- empty set of symbols
     T <- empty "set state"
     for each state in "set state"
      for each transition in state.transitions
        I <- intersection(symbol, transition.label) 
        if (I is not empty)
        {
           Add I to the set S
           Add transition.To to the T
        }       

     for each segement from DISJOIN(S)
        Create transition from "set state" to T

用于分离中的每个符号（输入符号）
请澄清“使用字符范围构建NFA”的意思@revo，使用
标记边缘，即如果输入为
j
，则使用此标签，但如果输入为
z
，则不使用此标签。这并不难，但是有几个重叠的标签（
，
h
，
）会造成混乱。我不喜欢重新发明轮子，所以我在问。这一切都取决于你如何表现边缘。对于8位字符集，考虑256位的位图。如果设置了位n，则字符代码n在允许的范围内，例如。@tripleee，谢谢。我认为8位在实践中不会再流行了，Unicode更有可能。但这意味着每个标签8 KB（！）。这种方法是否用于任何公开的程序中，或者只是理论上的想法？如果您真的需要支持Unicode，那么还需要考虑一系列其他因素。请参阅关于regex支持的说明。同时，也许只考虑以一种合理的方式支持UTF-8。