stgsharp/future/ngra-regex-ir.md

适用于NGRA字符串正则的IR形式

两个指针

1. 活动指针，记录当前的搜索位置，下文“不更新活动指针”的意思是算计结束后自行对活动指针进行复位
2. 锚点指针，记录一个区间的开始位置

检查点

检查点是锚点指针的一种形式，以栈形态存储，创建检查点时，上一个检查点自动压栈，并用当前检查点替换为当前的锚点指针

符号区

使用DEFINE指令定义的符号定义在符号区中，符号的类型通过第一次赋值确定，源生成模式下，可以通过第一个赋值指令推导其类型

HIR算子

1. 搜索算子（SEARCH %str; SEARCH %unicode），向后搜索确定长度序列或者满足规则的字符集，更新活动指针，不更新锚点指针，搜索结果保存在全局上下文中
2. 搜索算子（SEARCH %set_expression），向后匹配一个满足字符集要求的字符，更新活动指针，不更新锚点指针，搜索结果保存在全局上下文中
3. 条件指令（CONDITION %cmd_true %cmd_fail），比较前一条SEARCH指令是否成功，并指定跳转到指定的位置，如果某种条件不需要跳转，可以写1。如果想要将fail向上级继续抛出，可以%cmd_fail写0.
4. 计数指令（COUNT %min %max %is_greedy %cmd），重复执行指令cmd，直到满足参数配置的数量为止
5. 快速序列计数指令（COUNT_SEQ %min %max %is_greedy %seq），快速搜索一个确定性序列，直到满足参数配置的数量为止
6. 快速字符集计数指令（COUNT_SET %min %max %is_greedy %set），快速搜索一个字符集，直到满足参数配置的数量为止
7. 尝试（TRY %count），对自身向后的一段内容在新的匹配栈层级中进行运行，被分层的指令数量由COUNT指令确定
8. 弹出（POP %is_success），提前终止一个try块，并用is_success表示弹出行为视为匹配成功还是失败
9. 打包指令（PACK %is_success %name），检查上一条语句的结果，将匹配结果打包并记录为指定的名字。如果名字为空，则使用默认的序号进行索引

优化策略

应当注意的是，将HIT进行进一步优化或者展开的目的：

1. 尽可能降低源生成或者运行时执行中，对多指令上下文的依赖，尽可能保证每一个IR可以单独输出最佳的代码
2. 减少多余的结构，使得一行指令尽可能处理多的数据

语义改写优化

1. 计数器展开 建议在lower做 对于形如a+b或者a{2,4}b的正则表达式，可以优化为a*(ab|b)和a{2,3}(ab|b)的写法

2. 确定性计数展开 建议在lower做 对于形如a{m,n}的正则表达式，将其展开为a{m}a{0,n-m}的形式

3. charset合并 建议在ast-opt做 对于形如[ abc ]|[ def ]的表达式，将其合并为[ abcdef ]

4. charset展开 在lower做 对于形如abc[ de ]的表达式，如果字符集容量不超过4，可以站卡为(abcd|abce)形式

匹配策略改变

1. 长度预测 在source-gen阶段做 对于一个正则表达式，可以计算其所需的最小长度，可以在开始的时候提前进行比较

2. .*优化 在lower阶段做 对于COUNT_SET min=0 max=-1 "."指令，也就是.*操作，将后续指令从match转为find

3. [ set ]*优化 在source-gen阶段做 对于其他的COUNT_SET min=0 max=-1 "???"指令，使用IndexOf，IndexOfAnyExcept等进行优化

4. 首字母检查 这个不好做，因为IR直接把ALT打碎成if-else串了 对于(abc|defg|xyz)表达式，可以检查其首字母

C# span opt trick

1. Span.StartWith
2. [ 0-9 ]展开为IndexOf("0123456789")