为什么正则表达式不关心字符串长度

Question

为什么正则表达式的输入长度不会影响性能以及如何实现？

生成的字符串如下：128个随机字符。括号内有两个数字。这种情况重复了很多次。

128 radnom characters....(-2435346|45436) 128 radnom characters....(-32525562|-325346)

正则表达式获取括号内的所有数字。这是模式。

\(([-+]?\d+\|[-+]?\d+)\)

所以比赛就像

-2435346|45436
-32525562|-325346
etc...

以下是执行基准测试的代码。我在生成输入后启动秒表，因为我只想评估匹配时间。

Random rand = new Random();
Func<string> getRandString = // generates 128 random characters.
    () => Enumerable.Range(0, 128).Select(x => (char) rand.Next()).Aggregate("", (a, b) => a + b);
Func<int> getRandInteger = () => rand.Next(); // generates random number.
string format = "{0}({1}|{2})";

// Generate the big string.
StringBuilder bigstr = new StringBuilder();
for (int i = 0; i < 100; i++) // repeat 100 times.
{
    bigstr.Append(string.Format(format, getRandString(), getRandInteger(), getRandInteger()));
}
string input = bigstr.ToString();

Stopwatch stopwatch = Stopwatch.StartNew();
var matches = Regex.Matches(input, @"\(([-+]?\d+\|[-+]?\d+)\)");
stopwatch.Stop();
Console.WriteLine("Time Elapsed :\t{0}\nInputLength :\t{1}\nMatches Count :\t{2}", stopwatch.Elapsed, input.Length, matches.Count);

如果我重复循环10次，这是我控制台中的输出。

Time Elapsed :   00:00:00.0004132
InputLength :    1500
Matches Count :  10

如果我重复循环1000次。

Time Elapsed :   00:00:00.0004373 // seriously?
InputLength :    149937
Matches Count :  1000

如果我重复循环1000000次。

Time Elapsed :   00:00:00.0004900 // wtf?
InputLength :    149964452
Matches Count :  1000000

屏幕截图，如果你不相信

这是一种懒惰的评价吗？如果是，那么它如何显示比赛的数量？我怎么在调试器下做这个，我可以看到匹配。

我的正则表达式模式中有什么特别的东西让它快速吗？但字符串长度如何不影响性能？我不明白。

Answer 1

发生这种情况的原因之一是matches.Count属性被懒惰地评估。当你停止你的秒表时，匹配器准备进行匹配，但它没有找到任何东西。只有当你打电话给matches.Count时，它才会开始工作，但到那时你已经停止了计时。

一个简单的解决方案是将matches.Count调用移动到您计时的代码部分。

另一个原因是你要考虑解析正则表达式所需的时间。这是一个相对昂贵的操作，所以你应该在打开秒表之前进行更好的计时：

Regex testRegex = new Regex(@"\(([-+]?\d+\|[-+]?\d+)\)");
Stopwatch stopwatch = Stopwatch.StartNew();
var matches = testRegex.Matches(input);
var matchesCount = matches.Count;
stopwatch.Stop();
Console.WriteLine("Time Elapsed :\t{0}\nInputLength :\t{1}\nMatches Count :\t{2}", stopwatch.Elapsed, input.Length, matchesCount);

现在10场比赛的时间与10,000场比赛相比变得相当可观（00:00:00.0129844与00:00:00.0843982），尽管没有人们对输入长度的千倍差异所期望的那么大。