Question

运行以下代码时，CPU负载会上升，并且在较大的文档上需要长时间：

string pattern = @"\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*";
Regex regex = new Regex(
      pattern,
      RegexOptions.None | RegexOptions.Multiline | RegexOptions.IgnoreCase);

MatchCollection matches = regex.Matches(input); // Here is where it takes time
MessageBox.Show(matches.Count.ToString());

foreach (Match match in matches)
{
    ...
}

知道如何加快速度吗？

Answer 1

将RegexOptions.None | RegexOptions.Multiline | RegexOptions.IgnoreCase更改为RegexOptions.Compiled会产生相同的结果（因为您的模式不包含任何文字字母或^ / $）。

在我的机器上，这会将您链接的样本文档所花费的时间从46秒减少到21秒（这对我来说似乎仍然很慢，但对您来说可能已经足够了）。

编辑：所以我对此进行了一些调查并发现了真正的问题。

问题在于你的正则表达式的前半部分：\w+([-.]\w+)*\.\w+([-.]\w+)*@。这在匹配实际包含@符号的输入部分时效果很好，但对于仅匹配\w+([-.]\w+)*\.\w+([-.]\w+)*但不是后跟@的部分，正则表达式引擎浪费了大量时间回溯并从序列中的每个位置重试（并再次失败，因为仍然没有@！）

您可以使用\b强制匹配从字边界开始来解决此问题：

 string pattern = @"\b\w+([-+.]\w+)*@\w+([-.]\w+)*\.\w+([-.]\w+)*";

在您的示例文档中，这会在1秒内生成相同的10个结果。

Answer 2

尝试将regex用于streams，使用 mono-project regex，这篇文章对.Net

有用

Building a Regular Expression Stream with the .NET Framework

并尝试提高您的正则表达能力。

Answer 3

要回答如何更改它，您需要告诉我们它应该匹配的内容。

问题可能在最后一部分@\w+([-.]\w+)*\.\w+([-.]\w+)*。在字符串“bla@a.b.c.d.e-f.g.h”上，它必须尝试许多可能性，直到找到匹配为止。

可能有点Catastrophic Backtracking。

因此，您需要以更好，更“独特”的方式定义模式。你真的需要“Dash / dot - dot - dash / dot”吗？

正则表达式对大型文档极其缓慢

3 个答案: