Question

我有一个长字符串，其中包含大约100个与以下模式匹配的参数（字符串parameterName）：

parameterName + "(Whitespace | CarriageReturn | Tabulation | Period | Underline | Digit | Letter | QuotationMark | Slash)* DATA Whitespace Hexadecimal"

我试过使用这个正则表达式，但它的工作时间太长了：

parameterName + "[\\s\\S]*DATA\\s0x[0-9A-F]{4,8}"

这个凌乱的效果好一点：

parameterName + "(\\s|\r|\n|\t|\\.|[_0-9A-z]|\"|/)*DATA\\s0x[0-9A-F]{4,8}"

我使用“。*”，但是，它与“\ n”不匹配。

我尝试过“（。| \ n）”，但它的工作速度甚至比“[\ s \ S]”还慢。

有没有办法改善这个正则表达式？

Answer 1

您可以使用类似

的内容

(?>(?>[^D]+|D(?!ATA))*)DATA\\s0x[0-9A-F]{4,8}

(?>                # atomic grouping (no backtracking)
    (?>            # atomic grouping (no backtracking)
        [^D]+      # anything but a D
    |              # or
        D(?!ATA)   # a D not followed by ATA
    )*             # zero or more time
)

想法

我的想法是在没有问自己任何问题的情况下到达DATA，并且不再进一步，然后回溯到它。

如果对.*DATA这样的字符串使用DATA321，请查看正则表达式引擎的作用：

.*吃掉所有字符串
找不到DATA，因此引擎会一步一步地回溯并尝试这些组合：.*只会吃DATA32，然后DATA3，然后{ {1}} ...然后没有，当我们找到匹配时就是这样。

如果您在DATA上使用.*?DATA，则会发生同样的事情：123DATA会尝试匹配任何内容，然后.*?，然后1 ...

在每次尝试时，我们都必须在12停止的地方之后检查没有DATA，这非常耗时。使用.*，我们确保在需要时准确停止 - 而不是之前，而不是之后。

谨防回溯

那么为什么不使用[^D]+|D(?!ATA)代替这些奇怪的原子分组？

当我们找到匹配项时，这一切都很好并且正常工作。但是当我们不这样做时会发生什么？在声明失败之前，正则表达式必须尝试所有可能的组合。当你在每个角色上都有(?:[^D]|D(?!ATA))之类的东西时，正则表达式引擎可以使用内部(.*)*或外部{。}}。

这意味着组合的数量非常迅速地变得巨大。我们希望不尝试所有这些：我们知道我们停在正确的地方，如果我们没有立即找到匹配，我们永远不会。因此原子分组（显然.NET不支持占有量词）。

你可以看到我的意思over here：80'000步检查一个永远无法匹配的15个字符的长字符串。

在这篇伟大的文章中，弗雷德尔，正则表达式大师，over here

进行了更深入的讨论（并且比我做的更好）

正则表达式性能问题

1 个答案: