Question

我正在编写一个CSV解析器，为了检测我可以在文件上获得的不同数据类型，我为每种数据类型都有一个Map，每个数据类型包含我定义为有效且可识别的正则表达式。例如，对于我的Integer值，这是我的Map：

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put("^[1-9]\\d{1,9}$", "##0");
integerFormatRegexps.put("^-[1-9]\\d{1,9}$", "-##0");
integerFormatRegexps.put("^0$", "0");

现在，我在SO中看到了几个examples，而不是将这些正则表达式分开，它们使用的是Alternations，而不是三个正则表达式，我只能使用一个：

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put("^[1-9]\\d{1,9}$|^-[1-9]\\d{1,9}$|^0$", "Integer");

我的问题是，当在Java中匹配模式时，这两种方法中的哪一种通常会更有效？迭代通过单独的简单正则表达式找到匹配，或者只匹配一个更复杂的正则表达式？

Answer 1

首先，我必须说效率不太可能成为你的问题。你的正则表达式相对简单，你似乎正在使用它们来提取它们之后的隔离值。

也就是说，需要注意的是，不同的分支可以匹配相同的字符。最好的例子是(.|\s)，有时由尚未了解DOTALL / Singleline模式的正则表达式初学者使用（或[\S\s]，如this question）。把它放在其他良性正则表达式的中间，用它来搜索一个不特别大的文本，然后看着你的计算机变成紧张性精神病。

您的示例正则表达式很好，因为每个分支都必须以不同的（[1-9]，-或0）开头。但正如我所说，我认为正则表达式的效率永远不会成为一个问题。做任何你认为更方便的事情;是否更紧凑的代码和更少的正则表达式是一个合理的权衡更大，更难维护的正则表达式？

还有一件事：如果你在紧密循环中反复使用正则表达式，请务必使用缓存的Pattern对象;编译它们的成本很高。实际上，考虑将它们存储在Map中作为Patterns而不是Strings。例如：

Pattern integerRegex = Pattern.compiile("^[1-9]\\d{1,9}$|^-[1-9]\\d{1,9}$|^0$");

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put(integerRegex, "Integer");

然后您可以使用静态Pattern.matches()方法执行检查。

使用交替与单个正则表达式时的正则表达式效率

1 个答案: