Question

我有一个巨大的文件aab.txt，其内容为aaa ... aab。

令我惊讶的是

perl -ne '/a*bb/' < aab.txt

比

更快地运行（匹配失败）

perl -ne '/a*b/' < aab.txt

（匹配成功）。为什么？？？？两者都应首先吞噬所有的a，然后第二个立即成功，而第一个将不得不一遍又一遍地回溯，失败。

Answer 1

Perl regexes优化为尽可能早地失败，而不是尽可能快地成功。在浏览大型日志文件时，这很有意义。

优化首先查找字符串的常量部分，在本例中为“浮动”b或bb。这可以相当有效地检查，而不必跟踪回溯状态。找不到bb，匹配就在那里中止。

b不是这样。找到浮动子字符串，并从那里构造匹配。以下是正则表达式匹配的调试输出（程序为"aaab" =~ /a*b/）：

Compiling REx "a*b"
synthetic stclass "ANYOF_SYNTHETIC[ab][]".
Final program:
   1: STAR (4)
   2:   EXACT <a> (0)
   4: EXACT <b> (6)
   6: END (0)
floating "b" at 0..2147483647 (checking floating) stclass ANYOF_SYNTHETIC[ab][] minlen 1 
Guessing start of match in sv for REx "a*b" against "aaab"
Found floating substr "b" at offset 3...
start_shift: 0 check_at: 3 s: 0 endpos: 4 checked_upto: 0
Does not contradict STCLASS...
Guessed: match at offset 0
Matching REx "a*b" against "aaab"
Matching stclass ANYOF_SYNTHETIC[ab][] against "aaab" (4 bytes)
   0 <> <aaab>               |  1:STAR(4)
                                  EXACT <a> can match 3 times out of 2147483647...
   3 <aaa> <b>               |  4:  EXACT <b>(6)
   4 <aaab> <>               |  6:  END(0)
Match successful!
Freeing REx: "a*b"

您可以使用debug pragma的re选项获得此类输出。

严格来说，查找b或bb是不必要的，但它可以让匹配更早失败。

Answer 2

/a*bb/

基本上是

/^(?s:.*?)a*bb/

注意两个*。除了优化之外，它是二次的。在最坏的情况下，（所有a的字符串），对于长度为N的字符串，它将检查当前字符是否为a N *（N-1）/ 2次。我们称之为O（N ²）。

在开始匹配之前，有必要扫描字符串（O（N））以查看它是否可能匹配。匹配需要更长的时间，但它将无法更快地匹配。这就是Perl所做的。

运行以下内容时

perl -Mre=debug -e"'aaaaab' =~ /a*bb/"

您可以获得有关模式编译的信息：

Compiling REx "a*bb"
synthetic stclass "ANYOF{i}[ab][{non-utf8-latin1-all}]".
Final program:
   1: STAR (4)
   2:   EXACT <a> (0)
   4: EXACT <bb> (6)
   6: END (0)
floating "bb" at 0..2147483647 (checking floating) stclass ANYOF{i}[ab][{non-utf8-latin1-all}] minlen 2

最后一行表示在开始匹配之前会在输入中搜索bb。

您可以获得有关模式评估的信息：

Guessing start of match in sv for REx "a*bb" against "aaaaab"
Did not find floating substr "bb"...
Match rejected by optimizer

在这里，您会看到检查操作。

为什么Perl回溯匹配失败似乎比匹配成功花费更少的时间？

2 个答案: