Question

我有一个用户输入的搜索字符串。通常，使用空格分割搜索字符串，然后执行OR搜索（如果项匹配任何搜索字符串元素，则匹配项）。我想提供一些“高级”查询功能，例如能够使用引号括起包含空格的文字短语。

虽然我已经敲定了一个像样的正则表达式来为我分割字符串，但执行时间却非常长（在我的机器上大约2秒）。我把它弄清楚了解打嗝的位置，更有趣的是它似乎发生在最后Match匹配之后（大概是在输入结束时）。直到字符串结尾的所有匹配在更短的时间内匹配然后我可以捕获，但最后一个匹配（如果它是什么 - 没有返回）几乎占用了所有的2秒。

我希望有人可能会对我如何加速这个正则表达式有所了解。我知道我正在使用一个无限量词的lookbehind但是，正如我所说，这似乎不会导致任何性能问题，直到最后一场比赛匹配后。

代码

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Text.RegularExpressions;

namespace RegexSandboxCSharp {
    class Program {
        static void Main( string[] args ) {

            string l_input1 = "# one  \"two three\" four five:\"six seven\"  eight \"nine ten\"";

            string l_pattern =
                @"(?<=^([^""]*([""][^""]*[""])?)*)\s+";

            Regex l_regex = new Regex( l_pattern );

            MatchCollection l_matches = l_regex.Matches( l_input1 );
            System.Collections.IEnumerator l_matchEnumerator = l_matches.GetEnumerator();

            DateTime l_listStart = DateTime.Now;
            List<string> l_elements = new List<string>();
            int l_previousIndex = 0;
            int l_previousLength = 0;
            //      The final MoveNext(), which returns false, takes 2 seconds.
            while ( l_matchEnumerator.MoveNext() ) {
                Match l_match = (Match) l_matchEnumerator.Current;
                int l_start = l_previousIndex + l_previousLength;
                int l_length = l_match.Index - l_start;
                l_elements.Add( l_input1.Substring( l_start, l_length ) );

                l_previousIndex = l_match.Index;
                l_previousLength = l_match.Length;
            }
            Console.WriteLine( "List Composition Time: " + ( DateTime.Now - l_listStart ).TotalMilliseconds.ToString() );

            string[] l_terms = l_elements.ToArray();

            Console.WriteLine( String.Join( "\n", l_terms ) );

            Console.ReadKey( true );

        }
    }
}

输出
（这正是我得到的。）

一个
    “二三”     4个
    五：“六七”     8个
    “九十”

Answer 1

尝试将正则表达式更改为以下内容：

(?<=^((?>[^"]*)(["][^"]*["])?)*)\s+

此处唯一的变化是将[^"]*放入atomic group，以防止发生catastrophic backtracking。

注意：上面的正则表达式显然不使用我不熟悉的C＃正则表达式字符串语法，但我认为它将如下：

@"(?<=^((?>[^""]*)([""][^""]*[""])?)*)\s+";

为什么会发生灾难性的回溯：
一旦找到所有有效匹配，则尝试的下一个匹配是最终引用部分内的空间。 lookbehind将失败，因为在空格之前有奇数引号。

此时，lookbehind内部的正则表达式将开始回溯。锚意味着它总是从字符串的开头开始，但它仍然可以通过从匹配的结尾删除元素来回溯。让我们看一下lookbehind里面的正则表达式：

^([^"]*(["][^"]*["])?)*

由于引用的部分是可选的，因此可以在正则表达式回溯时删除它们。对于不在引用部分内的每个非引号字符块，在回溯每个字符之前，它们将在正则表达式的开头被匹配为[^"]*的一部分。当回溯从该部分开始时，最后一个字符将从[^"]*匹配的内容中删除，并且将被外部重复拾取。此时它变得非常类似于上面灾难性回溯链接中的例子。

正则表达式花了很长时间

1 个答案: