我可以确定正则表达式匹配的第一个字符集吗？

Question

我希望能够计算由java.util.regex.Pattern的给定实例在字符串中作为第一个字符匹配的所有字符的集合。更正式地说，假设DFA等价于某个正则表达式，我想要从开始状态开始的所有传出转换的集合。

一个例子：

Pattern p = Pattern.compile("[abc]def|daniel|chris|\\s+");
Set<Character> first = getFirstSet(p);

集合first应包含以下元素：

{ 'a', 'b', 'c', 'd', ' ', '\n', '\r', '\t' }

有什么想法吗？我很清楚我可以自己构建DFA并确定相关的状态，但我想避免那种麻烦（读：这对我来说不值得）。请注意，我的宿主语言实际上是Scala，所以我可以访问所有核心Scala库（为了它的价值）。

Answer 1

我认为你可以解析正则表达式并定义一些递归函数，它以从左到右的方式对解析后的正则表达式进行操作，构建了这样一组第一。

有些事情很简单：

• 顺序：第一个（r1r2）=第一个（r1）+（如果第一个（r1）中的''（r2）其他空集）
• 轮换：首先（r1 | r2）=第一（r1）+第一（r2）
• 迭代：first（r *）= first（r）+''
• 字符：first（c）= c
• 字符类：first（[c1-cn]）= set（c1，c2，...，cn） ...

将此扩展为正则表达式方言所知道的所有原语和特殊标志，并且你很高兴。

Answer 2

你可以递归地解决它......

• 封闭括号的条带并递归调用。
• 拆分顶级替代方案，并为每个部分进行递归调用。
• 如果没有其他选择，
  • 输出从左到右开始的所有符号到第一个无可选符号。
  • 如果有charachter组，则输出所有符号。

这个想法可能有很多错误，但这是我会尝试的。你必须删除断言，组名和其他数千个东西。如果你找到像[^ 0-9]这样的倒置字符类，你必须输出很多字符。

所以我认为这确实是一个复杂的问题。