Question

我正在尝试在Java中使用Daring Fireball Regular Expression for matching URLs，并且我找到了一个导致评估永远需要的URL。我已经修改了原始正则表达式以使用Java语法。

private final static String pattern = 
"\\b" + 
"(" +                            // Capture 1: entire matched URL
  "(?:" +
    "[a-z][\\w-]+:" +                // URL protocol and colon
    "(?:" +
      "/{1,3}" +                        // 1-3 slashes
      "|" +                             //   or
      "[a-z0-9%]" +                     // Single letter or digit or '%'
                                        // (Trying not to match e.g. "URI::Escape")
    ")" +
    "|" +                            //   or
    "www\\d{0,3}[.]" +               // "www.", "www1.", "www2." … "www999."
    "|" +                            //   or
    "[a-z0-9.\\-]+[.][a-z]{2,4}/" +  // looks like domain name followed by a slash
  ")" +
  "(?:" +                           // One or more:
    "[^\\s()<>]+" +                      // Run of non-space, non-()<>
    "|" +                               //   or
    "\\((?:[^\\s()<>]+|(?:\\([^\\s()<>]+\\)))*\\)" +  // balanced parens, up to 2 levels
  ")+" +
  "(?:" +                           // End with:
    "\\((?:[^\\s()<>]+|(?:\\([^\\s()<>]+\\)))*\\)" +  // balanced parens, up to 2 levels
    "|" +                                   //   or
    "[^\\s`!\\-()\\[\\]{};:'\".,<>?«»“”‘’]" +        // not a space or one of these punct chars (updated to add a 'dash'
  ")" +
")";

// @see http://daringfireball.net/2010/07/improved_regex_for_matching_urls
private static final Pattern DARING_FIREBALL_PATTERN = Pattern.compile(pattern, Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CASE);

如果我试图运行以下内容，则需要永久。我把它缩小到平衡的parens的匹配（我认为）。如果您更改了parens中的文本，它可以正常工作，但大约15个字符，它开始以指数方式减慢。

final Matcher matcher = pattern.matcher("https://goo.gl/a(something_really_long_in_balanced_parens)");
boolean found = matcher.find();

有没有办法改进这个正则表达式，以便有关线路不会永远消失？我在JUnit测试类中有大约100个不同的URL，我还需要它们继续工作。

Answer 1

问题在于：

"(?:" +                           // One or more:
"[^\\s()<>]+" +                      // Run of non-space, non-()<>
"|" +                               //   or
"\\((?:[^\\s()<>]+|(?:\\([^\\s()<>]+\\)))*\\)" +  // balanced parens, up to 2 levels
")+"

你在这里得到的是嵌套量词。这会对任何回溯算法造成严重破坏 - 例如，考虑与字符串匹配的正则表达式/^(a+)+$/

aaaaaaaaaab

作为第一次尝试，内部量词将匹配所有a s。然后正则表达式失败，所以它退出一个。然后外部量词再次尝试匹配，吞下最后一个a，然后正则表达式再次失败。我们基本上得到了指数行为，因为量词会尝试各种方式来分割a s的运行，而不会实际取得任何进展。

解决方案是占有量词（我们通过在量词的末尾添加+来表示） - 我们设置内部量词，这样一旦它们匹配，它们就会不要放手 - 他们会保持这一点，直到比赛失败或早期的量词退出，他们必须从字符串中的其他地方重新开始。如果我们改为使用/^(a++)+$/作为我们的正则表达式，我们将立即在上面的非匹配字符串上失败，而不是试图匹配它的指数。

尝试使那些内部量词具有占有欲，看看它是否有帮助。

Java Regular Expression运行速度很慢

1 个答案: