Question

我正在尝试使用带有Scanner的正则表达式来匹配文件中的字符串。正则表达式适用于该行以外的所有内容：

DNA="ITTTAITATIATYAAAYIYI[....]ITYTYITTIYAIAIYIT"

在实际文件中，省略号代表数千个字符。

当读取文件的循环到达包含基数的行时，会发生堆栈溢出错误。

这是循环：

while (scanFile.hasNextLine()) {
   final String currentLine = scanFile.findInLine(".*");
   System.out.println("trying to match '" + currentLine + "'");
   Scanner internalScanner = new Scanner(currentLine);
   String matchResult = internalScanner.findInLine(Constants.ANIMAL_INFO_REGEX);
   assert matchResult != null : "there's no reason not to find a match"; 
   matches.put(internalScanner.match().group(1), internalScanner.match().group(2));
   scanFile.nextLine();
  }

和正则表达式：

static final String ANIMAL_INFO_REGEX = "([a-zA-Z]+) *= *\"(([a-zA-Z_.]| |\\.)+)";

这是失败追踪：

java.lang.StackOverflowError
    at java.util.regex.Pattern$CharProperty.match(Pattern.java:3360)
    at java.util.regex.Pattern$Branch.match(Pattern.java:4131)
    at java.util.regex.Pattern$GroupHead.match(Pattern.java:4185)
    at java.util.regex.Pattern$Loop.match(Pattern.java:4312)
    at java.util.regex.Pattern$GroupTail.match(Pattern.java:4244)
    at java.util.regex.Pattern$BranchConn.match(Pattern.java:4095)
    at java.util.regex.Pattern$CharProperty.match(Pattern.java:3362)
    at java.util.regex.Pattern$Branch.match(Pattern.java:4131)
    at java.util.regex.Pattern$GroupHead.match(Pattern.java:4185)
    at java.util.regex.Pattern$Loop.match(Pattern.java:4312)
    at java.util.regex.Pattern$GroupTail.match(Pattern.java:4244)
    at java.util.regex.Pattern$BranchConn.match(Pattern.java:4095)
    at java.util.regex.Pattern$CharProperty.match(Pattern.java:3362)
    at java.util.regex.Pattern$Branch.match(Pattern.java:4131)
    at java.util.regex.Pattern$GroupHead.match(Pattern.java:4185)
    at java.util.regex.Pattern$Loop.match(Pattern.java:4312)
    at java.util.regex.Pattern$GroupTail.match(Pattern.java:4244)
    at java.util.regex.Pattern$BranchConn.match(Pattern.java:4095)
    ...etc (it's all regex).

非常感谢！

Answer 1

这看起来像bug 5050507。我同意Asaph的说法，取消交替应该有所帮助;该bug专门说“尽可能避免交替”。我想你可能会更简单：

"^([a-zA-Z]+) *= *\"([^\"]+)"

Answer 2

尝试使用正则表达式的这个简化版本，删除一些不必要的|运算符（可能导致正则表达式引擎执行大量分支），并包括行锚的开头和结尾。

static final String ANIMAL_INFO_REGEX = "^([a-zA-Z]+) *= *\"([a-zA-Z_. ]+)\"$";

Answer 3

阅读本文以了解问题：http://www.regular-expressions.info/catastrophic.html ...然后使用其他建议之一

Answer 4

正如其他人所说的那样，你的正则表达式的效率远低于应有的效率。我会更进一步，使用占有量词：

"^([a-zA-Z]++) *+= *+\"([^\"]++)\"$"

但是你使用扫描仪的方式也没有多大意义。没有必要使用findInLine(".*")来读取该行;这就是nextLine()的作用。而且您不需要创建另一个扫描程序来应用您的正则表达式;只需使用匹配器。

static final Pattern ANIMAL_INFO_PATTERN = 
    Pattern.compile("^([a-zA-Z]++) *+= *+\"([^\"]++)\"$");

...

  Matcher lineMatcher = ANIMAL_INFO_PATTERN.matcher("");
  while (scanFile.hasNextLine()) {
    String currentLine = scanFile.nextLine();
    if (lineMatcher.reset(currentLine).matches()) {
      matches.put(lineMatcher.group(1), lineMatcher.group(2));
    }
  }

我的正则表达式导致Java中的堆栈溢出;我错过了什么？

4 个答案: