Question

我的正则表达式需要越来越长的时间来匹配（第5次约30秒），但需要应用大约500轮比赛。我怀疑是灾难性的回溯。请帮忙！如何优化此正则表达式：

String regex = "<tr bgcolor=\"ffffff\">\\s*?<td width=\"20%\"><b>((?:.|\\s)+?): *?</b></td>\\s*?<td width=\"80%\">((?:.|\\s)*?)(?=(?:</td>\\s*?</tr>\\s*?<tr bgcolor=\"ffffff\">)|(?:</td>\\s*?</tr>\\s*?</table>\\s*?<b>Tags</b>))";

编辑：因为不清楚（我的不好）：我试图获取一个html格式的文档，然后通过提取两个搜索组并在之后添加格式化来重新格式化。

Answer 1

交替(?:.|\\s)+?非常低效，因为它涉及太多的回溯。

基本上，此模式的所有变体都非常低效：(?:.|\s)*?，(?:.|\n)*?，(?:.|\r\n)*?以及贪婪的对应物（(?:.|\s)*，(?:.|\n)*， (?:.|\r\n)*）。 (.|\s)*?可能是最糟糕的。

<强>为什么吗

两个备选方案.和\s可能匹配同一位置的相同文本，两者至少匹配常规空格。请参阅this demo完成3555步骤，.*? demo（使用s修饰符）完成1335步。

Java中的(?:.|\n)*? / (?:.|\n)*等模式经常导致Stack Overflow issue，这里的主要问题与使用与char匹配的交替（已经单独导致回溯）有关char，然后使用未知长度的量词修改组。虽然一些正则表达式引擎可以应对这种并且不会抛出错误，但是这种类型的模式仍然会导致速度减慢并且不建议使用（仅在ElasticSearch Lucene正则表达式引擎中(.|\n)是匹配任何char的唯一方法）。

<强>解决方案

如果要匹配任何字符（包括空格和正则表达式），请使用

进行匹配

[\\s\\S]*?

或使用(?s)（或Pattern.DOTALL Matcher选项启用单线模式）并使用.（例如(?s)start(.*?)end）。

注意：要操作HTML，请使用专用解析器，例如jsoup。以下是讨论Java HTML parsers的SO帖子。

使用包含（？：。| \ s）*的模式进行正则表达式搜索？需要越来越长的时间

1 个答案: