我可以进一步提高此正则表达式的性能

Question

我正在尝试从线程转储文件中获取线程名称。 线程名称通常包含在＆＃34;双引号＆＃34;在每个线程转储的第一行。 它可能看起来很简单如下：

"THREAD1" daemon prio=10 tid=0x00007ff6a8007000 nid=0xd4b6 runnable [0x00007ff7f8aa0000]

或者大到如下：

"[STANDBY] ExecuteThread: '43' for queue: 'weblogic.kernel.Default (self-tuning)'" daemon prio=10 tid=0x00007ff71803a000 nid=0xd3e7 in Object.wait() [0x00007ff7f8ae1000]

我写的正则表达式很简单："(.*)"。它将双引号内的所有内容作为一组捕获。然而，它会导致严重的回溯，因此需要很多步骤，如here所示。在口头上，我们可以解释这个正则表达式为＆＃34;捕获任何包含在双引号中的内容作为一个组＆＃34;

所以我提出了另一个执行相同的正则表达式："([^\"])"。在口头上，我们可以将此正则表达式描述为＆＃34;捕获任意数量的非双引号字符，这些字符包含在双引号＆＃34; 中。我没有发现任何快速正则表达式。它不执行任何回溯，因此它需要最少的步骤here。

我把这个告诉了我的同事。他想出了另一个："(.*?)"。我没弄明白它是如何工作的。与第一个相比，它执行的回溯要少得多，但是比第二个慢一点here。 但是

• 我不明白为什么回溯会提前停止。
• 我理解?是一个量词，意思是once or not at all。但是我不明白once or not at all如何在这里使用。
• 事实上，我无法猜测我们如何口头描述这个正则表达式。

我的同事试图解释我，但我仍然无法完全理解它。谁能解释一下？

Answer 1

简要说明和解决方案

"(.*)"正则表达式涉及大量的回溯，因为它找到第一个"，然后抓取整个字符串并回溯查找最接近字符串结尾的"。由于您的引用子字符串更接近开头，因此这个 lazy 量词"(.*?)"使得正则表达式引擎查找最接近的*?，因此跟"的回溯更多。在找到第一个"之后。

否定的字符类解决方案"([^"]*)"是3中最好的，因为它不必抓取所有，只需要"以外的所有字符。但是，要停止任何回溯并使表达式最终有效，您可以使用所有格量词。

如果您需要匹配" + no quotes here + "等字符串，请使用

"([^"]*+)"

甚至您不需要在这种情况下匹配尾随引用：

"([^"]*+)

请参阅regex demo

  

事实上，我无法猜测我们如何口头描述这个正则表达式。

后者"([^"]*+)正则表达式可以描述为

• " - 找到字符串左侧的第一个"符号
• ([^"]*+) - 尽可能多地匹配并捕获除"以外的第1组零个或多个符号，并且一旦引擎找到双引号，就立即返回匹配，而不回溯。

量词

有关quantifiers from Rexegg.com的更多信息：

  

A*零或更多As尽可能多（贪婪），如果引擎需要回溯（温顺），则放弃角色   A*?零或更多As，尽可能少地允许整体模式匹配（懒惰）
  A*+零或更多As尽可能多（贪婪），如果引擎试图回溯（占有），则不放弃字符

如您所见，?不是一个单独的量词，它是另一个量词的一部分。

我建议阅读更多关于为什么Lazy Quantifiers are Expensive和Negated Class Solution非常安全快速地处理您的输入字符串（您只需匹配引号后跟非引号然后最终引用） ）。

.*?，.*和[^"]*+量词之间的差异

• 贪婪"(.*)"解决方案的工作方式如下：从左到右检查每个符号，查找"，一旦找到，就抓住整个字符串直到结尾并检查每个符号是否等于{ {1}}。因此，在输入字符串中，它会回溯160次。

• 懒惰"(.*?)"解决方案的工作方式如下：引擎找到第一个"，然后在模式中前进，并针对{{1}尝试下一个标记（"）在"中。这失败了，因此引擎回溯并允许T将其匹配扩展一个项目，以使其与THREAD1匹配。再一次，发动机在模式中前进。它现在针对.*?中的T尝试"。这会失败，因此引擎会回溯并允许H展开并匹配THREAD1。 The process then repeats itself—the engine advances, fails, backtracks, allows the lazy .*? to expand its match by one item, advances, fails and so on. For each character matched by the .*?, the engine has to backtrack. From a computing standpoint, this process of matching one item, advancing, failing, backtracking, expanding is "expensive".

由于下一个.*?不远，所以回溯步数远远少于贪婪匹配。

• 带有否定字符类"([^"]*+)"的占有量词解决方案的工作原理如下：引擎找到最左边的H，然后抓取所有不是"的字符，直到第一个" 1}}。否定的字符类"贪婪地匹配零个或多个不是双引号的字符。因此，我们保证点星永远不会跳过第一次遇到的"。这是一些更直接有效的匹配方式之间的匹配方式。请注意，在此解决方案中，我们完全信任量化[^"]*+的{​​{1}}。即使它很贪婪，"也不会与*互相排斥，因为它与[^"]互斥。这是正则表达式样式指南contrast principle中的[see source]。

请注意，占有量词不会让正则表达式引擎回溯到子表达式，一旦匹配，[^"]之间的符号就会变成一个不能被“重新排序”的硬块，因为会遇到一些“不便”。正则表达式引擎，它将无法将任何字符从这个文本块中移出。

对于当前表达式，它并没有产生很大的不同。