Question

我们的用户名验证规则如下：

用户名可以包含字母数字字符
用户名可以包含下划线，连字符或句点
现在假设用户名是ASCII
用户名无法以句号开头或结尾
用户名无法启动，结束或有任何空格

我们有相同的正则表达式：

^(([a-zA-Z0-9]+[_-]*[a-zA-Z0-9]*)([\\.]*[a-zA-Z0-9])*)+$

现在尝试匹配特定的字符串，CPU使用率呈指数级增长。例如：

M45766235H.M96312865E@EXAMPLE.COM

显然，匹配上面的字符串应该会立即失败，但我想知道它为什么需要那么多的CPU周期。最终代码：

import java.util.regex.*;
public class R {
    static final Pattern namePattern = Pattern.compile("^(([a-zA-Z0-9]+[_-]*[a-zA-Z0-9]*)([\\.]*[a-zA-Z0-9])*)+$");

    public static void main(String... args) {
        final String userName = "M45766235H.M96312865E@EXAMPLE.COM";
        Matcher matcher = namePattern.matcher(userName);
        System.out.println(matcher.matches());
    }
}

在不同的方面，我重写了下面的正则表达式并且很好地展示了它：

^[\\w]+[\\w-_\\.]*[\\w]+$

Answer 1

当正则表达式引擎大量使用回溯时，匹配过程变得非常缓慢。当你让表达式的不同部分与输入的重叠部分匹配时，回溯会发生很多，特别是当没有匹配时：引擎会尝试在正则表达式的各个部分之间分割输入的不同可能性。

从正则表达式中考虑这个简单示例：让我们使用[a-zA-Z0-9]+[_-]*[a-zA-Z0-9]*来匹配M45766235H.请注意，有两个子表达式可以覆盖从第二个开始的所有字符：引擎必须考虑所有这些可能性：

[a-zA-Z0-9]+ [a-zA-Z0-9]*
------------ ------------
M45766235H   <nothing>
M45766235    H
M4576623     5H
M457662      35H
M45766       235H
M4576        6235H
M457         66235H
M45          766235H
M4           5766235H
M            45766235H

鉴于没有匹配，那就是十次无用的重复。但那不是它的结束！当混合中存在其他可能产生模糊覆盖的子表达式时，将对字符串中的每个可能匹配尝试这十个可能的匹配。

要说回溯的影响很快就会轻描淡写：它们会以几何级数增加，最终耗费大量的CPU。

这个故事的寓意是试图减少回溯量。例如，你的第二个表达

^[\\w]+[\\w-_\\.]*[\\w]+$

可以像这样重写：

^\\w[\\w-_\\.]*\\w$

这两个表达式将匹配相同的输入集，但是当存在匹配时，第二个表达式将具有唯一匹配，而原始表达式将具有大约(N-2)^3种不同的方式来分割匹配的字符串三个与单词字符匹配的子表达式。

以下是对相关主题的更多阅读：Performance of Greedy vs. Lazy Quantifiers。

用户名的正则表达式会增加CPU消耗

1 个答案: