展开循环，何时使用

Question

我试图理解正则表达式中的展开循环。有什么区别：

MINISTÉRIO[\s\S]*?PÁG

和

MINISTÉRIO(?:[^P]*(?:P(?!ÁG\s:\s\d+\/\d+)[^P]*)(?:[\s\S]*?))PÁG

在此背景下：

http://regexr.com/3dmlr

为什么我要使用第二个，如果第一个做同样的事情？

感谢。

Answer 1

什么是Unroll-the-loop

请参阅此Unroll the loop technique来源：

  

此优化技术用于优化形式(expr1|expr2|...)*的重复交替。这些表达并不罕见，并且在交替中使用另一次重复也可能导致超线性匹配。超线性匹配来自不确定性表达式(a*)*。

     

展开循环技术是基于这样的假设：在大多数情况下，你在重复的交替中，这种情况应该是最常见的，哪一种是例外的。我们将调用第一个，正常情况和第二个，特殊情况。然后，展开循环技术的一般语法可以写成：

     

正常*（特殊正常*）*

所以，这是一个优化技术，其中交替变成线性匹配的原子。

这使得这些展开的模式非常有效，因为它们涉及较少的回溯。

当前场景

您的MINISTÉRIO[\s\S]*?PÁG是未展开的模式，MINISTÉRIO[^P]*(?:P(?!ÁG)[^P]*)*PÁG是。查看演示（两者都保存了PCRE选项以显示上面框中的步骤数。正则表达式引擎的正则表达式性能不同，但这将告诉您确切的性能差异）。在text之后添加更多文字：第一个正则表达式将开始需要更多步骤才能完成，第二个正则表示只会在添加P后显示更多步骤。因此，在已知部分中使用的字符不常见的文本中，展开的模式非常有效。

请参阅我的回答中的Difference between .*?, .* and [^"]*+ quantifiers部分，了解延迟匹配的工作原理（[\s\S]*?与.*?相同，其中DOTALL修饰符的语言允许.也匹配换行符。）

表现问题

延迟匹配模式总是缓慢且低效吗？并非总是如此。对于非常短的字符串，惰性点匹配通常更好（1-10个符号）。当我们谈论长输入时，可能存在前导分隔符，而没有尾随分隔符，这可能导致过度回溯导致超时问题。

如果您有任意长度的输入且可能无法匹配，请使用展开的模式。

在您的输入受到控制时使用延迟匹配，您知道总会有匹配，某些已知的设置日志格式等。

奖励：通常展开的模式

1. Tempered greedy tokens

2. 常规字符串文字（"String\u0020:\"text\""）："[^"\\]*(?:\\.[^"\\]*)*"

3. 多行注释正则表达式{/* Comments */）：/\*[^*]*\*+(?:[^/*][^*]*\*+)*/

4. @<...>@评论正则表达式：@<[^>]*(?:>[^@]*)*@