Question

以下正则表达式模式应用于非常长的字符串（60KB）时，会导致java看起来“挂起”。

.*\Q|\E.*\Q|\E.*\Q|\E.*bundle.*

我不明白为什么。

Answer 1

你在那个正则表达式中有5个急切/贪婪的量词，所以你很可能会做大量的回溯。

This article详细解释了这种行为，并提出了改善正则表达式效果的建议。

在这种情况下，答案可能是将贪婪量词替换为非贪婪量词，或者更好地使用非回溯子模式。

Answer 2

首先，我认为你可以简化你的正则表达式如下：

.*\Q|\E.*\Q|\E.*\Q|\E.*bundle.*

可能会成为

.*\|.*\|.*\|.*bundle.*

其次，为了回答你的问题，你的正则表达式中有这么多“。*”的事实意味着正则表达式解决方案必须有一些可能性。如果这适用于您的情况，以下可能会更快。

(?:[^\|]*\|){3}[^|]*bundle.*

通过将“。”更改为“[^ |] ”，您可以缩小引擎的焦点，因为第一个“。*”不会急切地抓住第一个“|”。

Answer 3

基本上，“。*”（匹配任意数量的任何数字）意味着尝试匹配整个字符串，如果它不匹配，则返回并再试一次，等等使用其中一个并不是太多一个问题，但使用多个所需的时间呈指数增长。这是对这类事情的一个相当深入（并且更加准确）的讨论：http://discovery.bmc.com/confluence/display/Configipedia/Writing+Efficient+Regex

编辑：（我希望你真的想知道为什么）

示例源字符串：

aaffg,  ";;p[p09978|ksjfsadfas|2936827634876|2345.4564a bundle of sticks

一种看待它的方式：

然后，它会继续将.*与2936827634876和第二个|与...4876|2345...中的.*以及下一个|的{{1}}相匹配，只是发现你想要另一个.*\Q|\E.*\Q|\E.*\Q|\E.*bundle.*。然后它会一次又一次地继续回溯，直到它匹配您指定的所有符号。

另一种看待它的方式：

（原始表达）：

match:
               any number of anything, 
followed by    a single '|', 
followed by    any number of anything, 
followed by    a single '|', 
followed by    any number of anything, 
followed by    a single '|', 
followed by    any number of anything,
followed by    the literal string 'bundle',
followed by    any number of anything

这大致转化为

any number of anything

问题是|包含any number of anything that is not a '|'符号，需要一遍又一遍地解析整个字符串，其中你的意思是.*

为了修复或改进表达式，我建议三件事：

首先（也是最重要的），将大部分“匹配任何东西”（[^|]）替换为否定字符类（[^|]*\Q|\E[^|]*\Q|\E[^|]*\Q|\E.*bundle.*），如下所示：

...这会阻止它一遍又一遍地匹配字符串的结尾，而是将所有非|符号匹配到第一个不是“不是{{{ 1}}符号“（双重否定意味着直到第一个|符号），然后匹配|符号，然后转到下一个等等...

第二次更改（有些重要，取决于您的源字符串）应该是倒数第二次“将任意数量的任何数字匹配”（.*）变为“懒惰” “或”不情愿“类型的”任意数量的“（.*?）。这将使其尝试匹配任何东西，以寻找bundle而不是跳过bundle并匹配其余字符串，只是意识到一旦它到达那里就有更多匹配，不得不回溯。这将导致：

[^|]*\Q|\E[^|]*\Q|\E[^|]*\Q|\E.*?bundle.*

我建议的第三个更改是为了提高可读性 - 将\Q\E块替换为单个转义符，如\|中所示，如下所示：

[^|]*\|[^|]*\|[^|]*\|[^|].*?bundle.*

这就是表达式在内部处理的方式 - 实际上有一个函数将表达式转换为“转义\ Q和\ E之间的所有特殊字符” - \Q\E只是一个简写，如果它不会使你的表达更短或更容易阅读，不应该使用它。周期。

否定的字符类有一个未转义的|因为|不是字符类上下文中的特殊字符 - 但是不要过分偏离。如果你愿意，你可以逃脱它们，但你不必这样做。

最终表达式大致翻译为：

match:
               any number of anything that is not a '|', 
followed by    a single '|', 
followed by    any number of anything that is not a '|', 
followed by    a single '|', 
followed by    any number of anything that is not a '|', 
followed by    a single '|', 
followed by    any number of anything, up until the next expression can be matched,
followed by    the literal string 'bundle',
followed by    any number of anything

我使用的一个好工具（但要花一些钱）称为RegexBuddy - 用于理解正则表达式的伴侣/免费网站是http://www.regular-expressions.info，解释重复的特定页面是http://www.regular-expressions.info/repeat.html

RegexBuddy模仿其他正则表达式引擎，并说你的原始正则表达式需要544'步骤'来匹配，而不是我提供的版本的35'步骤'。

SLIGHTLY LONGER示例源字符串A：

aaffg,  ";;p[p09978|ksjfsadfas|12936827634876|2345.4564a bundle of sticks

SLIGHTLY LONGER示例源字符串B：

aaffg,  ";;p[p09978|ksjfsadfas|2936827634876|2345.4564a bundle of sticks4me

较长的源字符串'A'（在1之前添加2936827634876）不影响我建议的替换，但是将原始字符串增加了6个步骤

更长的源字符串'B'（在表达式末尾添加'4me'）再次影响我建议的替换，但是将 48 步骤添加到原始

因此，根据字符串与上述示例的不同，60K字符串只需要544步，或者可能需要超过一百万步

为什么这种模式在java中需要很长时间才能匹配？

3 个答案: