如何優(yōu)化正則表達(dá)式性能？
點(diǎn)擊關(guān)注公眾號(hào)，Java干貨及時(shí)送達(dá)
作者：huangrenhui
出處：https://www.cnblogs.com/huangrenhui/
一.背景
正則表達(dá)式是計(jì)算機(jī)科學(xué)的一個(gè)概念，很多語言都實(shí)現(xiàn)了它。正則表達(dá)式使用一些特定的元字符來檢索、匹配以及替換符合規(guī)定的字符串。
構(gòu)造正則表達(dá)式語法的元字符，由普通字符、標(biāo)準(zhǔn)字符、限定字符（量詞）、定位符（邊界字符）組成，詳情如下：
二.正則表達(dá)式引擎
正則表達(dá)式是一個(gè)用正則符號(hào)寫出的公式，程序?qū)@個(gè)公式進(jìn)行語法分析，建立一個(gè)語法分析樹，再根據(jù)這個(gè)分析樹結(jié)合正則表達(dá)式的引擎生成執(zhí)行程序（這個(gè)執(zhí)行程序我們把它稱作狀態(tài)機(jī)，也叫狀態(tài)自動(dòng)機(jī)），用于字符匹配。
而這里的正則表達(dá)式引擎就是一套核心算法，用于建立狀態(tài)機(jī)。
目前實(shí)現(xiàn)正則表達(dá)式引擎的方式有兩種：DFA自動(dòng)機(jī)（Deterministic Final Automata 確定有限狀態(tài)自動(dòng)機(jī)）和 NFA（Non deterministic Finite Automaton 非確定有限狀態(tài)自動(dòng)機(jī)）。
對(duì)比來看，構(gòu)造 DFA 自動(dòng)機(jī)的代價(jià)遠(yuǎn)大于 NFA 自動(dòng)機(jī)，但 DFA 自動(dòng)機(jī)的執(zhí)行效率高于 NFA 自動(dòng)機(jī)。
假設(shè)一個(gè)字符串的長度是 n，如果用 DFA 自動(dòng)機(jī)作為正則表達(dá)式引擎，則匹配的時(shí)間復(fù)雜度為 O(n)；如果用 NFA 自動(dòng)機(jī)作為正則表達(dá)式引擎，由于 NFA 自動(dòng)機(jī)在匹配過程中存在大量的分支和回溯，假設(shè) NFA 的狀態(tài)數(shù)為 s，則該匹配算法的時(shí)間復(fù)雜度為 O(ns)。
NFA 自動(dòng)機(jī)的優(yōu)勢(shì)是支持更多功能。例如：捕獲 group、環(huán)視、占有優(yōu)先量詞等高級(jí)功能。這些功能都是基于子表達(dá)式獨(dú)立進(jìn)行匹配，因此在編程語言里，使用的正則表達(dá)式庫都是基于 NFA 實(shí)現(xiàn)的。
那么 NFA 自動(dòng)機(jī)到底是怎么進(jìn)行匹配的呢？接下來以下面的例子來進(jìn)行說明：
text = "aabcab"
regex = "bc"
NFA 自動(dòng)機(jī)會(huì)讀取正則表達(dá)式的每一個(gè)字符，拿去和目標(biāo)字符串匹配，匹配成功就換正則表達(dá)式的下一個(gè)字符，反之就繼續(xù)和目標(biāo)字符串的下一個(gè)字符進(jìn)行匹配。
分解一下過程：
1）讀取正則表達(dá)式的第一個(gè)匹配符和字符串的第一個(gè)字符進(jìn)行比較，b 對(duì) a，不匹配；繼續(xù)換字符串的下一個(gè)字符，也就是 a，不匹配；繼續(xù)換下一個(gè)，是 b，匹配；
2）同理，讀取正則表達(dá)式的第二個(gè)匹配符和字符串的第四個(gè)字符進(jìn)行比較，c 對(duì) c，匹配；繼續(xù)讀取正則表達(dá)式的下一個(gè)字符，然而后面已經(jīng)沒有可匹配的字符了，結(jié)束。
這就是 NFA 自動(dòng)機(jī)的匹配過程，雖然在實(shí)際應(yīng)用中，碰到的正則表達(dá)式都要比這復(fù)雜，但匹配方法是一樣的。Java 核心系列教程推薦看下：https://github.com/javastacks/javastack
三.NFA自動(dòng)機(jī)的回溯
用 NFA 自動(dòng)機(jī)實(shí)現(xiàn)的比較復(fù)雜的正則表達(dá)式，在匹配過程中經(jīng)常會(huì)引起回溯問題。大量的回溯會(huì)長時(shí)間地占用 CPU，從而帶來系統(tǒng)性能開銷。如下面例子：
text = "abbc"
regex = "ab{1,3}c"
上面例子，匹配目的比較簡單。匹配以 a 開頭，以 c 結(jié)尾，中間有 1-3 個(gè) b 字符的字符串。NFA 自動(dòng)機(jī)對(duì)其解析的過程是這樣的：
1）讀取正則表達(dá)式第一個(gè)匹配符 a 和字符串第一個(gè)字符 a 進(jìn)行比較，a 對(duì) a，匹配；
2）讀取正則表達(dá)式第一個(gè)匹配符 b{1,3} 和字符串的第二個(gè)字符 b 進(jìn)行比較，匹配。但因?yàn)?b{1,3} 表示 1-3 個(gè) b 字符串，NFA 自動(dòng)機(jī)又具有貪婪特性，所以此時(shí)不會(huì)繼續(xù)讀取正則表達(dá)式的下一個(gè)匹配符，而是依舊使用 b{1,3} 和字符串的第三個(gè)字符 b 進(jìn)行比較，結(jié)果還是匹配。
3）繼續(xù)使用 b{1,3} 和字符串的第四個(gè)字符 c 進(jìn)行比較，發(fā)現(xiàn)不匹配了，此時(shí)就會(huì)發(fā)生回溯，已經(jīng)讀取的字符串第四個(gè)字符 c 將被吐出去，指針回到第三個(gè)字符 b 的位置。
4）那么發(fā)生回溯以后，匹配過程怎么繼續(xù)呢？程序會(huì)讀取正則表達(dá)式的下一個(gè)匹配符 c，和字符串中的第四個(gè)字符 c 進(jìn)行比較，結(jié)果匹配，結(jié)束。
四.如何避免回溯問題？
既然回溯會(huì)給系統(tǒng)帶來性能開銷，那我們?nèi)绾螒?yīng)對(duì)呢？如果你有仔細(xì)看上面那個(gè)案例的話，你會(huì)發(fā)現(xiàn) NFA 自動(dòng)機(jī)的貪婪特性就是導(dǎo)火索，這和正則表達(dá)式的匹配模式息息相關(guān)。
1.貪婪模式（Greedy）
顧名思義，就是在數(shù)量匹配中，如果單獨(dú)使用 +、？、*或（min,max）等量詞，正則表達(dá)式會(huì)匹配盡可能多的內(nèi)容。
text = "abbc"
regex = "ab{1,3}c"
text = "abbbc"
regex = "ab{1,3}c"
2.懶惰模式（Reluctant）
在該模式下，正則表達(dá)式會(huì)盡可能少地重復(fù)匹配字符，如果匹配成功，它會(huì)繼續(xù)匹配剩余的字符串。
例如，上面的例子的字符后面加一個(gè)“?”，就可以開啟懶惰模式。
text = "abc"
regex = "ab{1,3}?c"
匹配結(jié)果是“abc”，該模式下 NFA 自動(dòng)機(jī)首先選擇最小的匹配范圍，即匹配 1 個(gè) b 字符，因此就避免了回溯問題。另外，關(guān)注公眾號(hào)Java技術(shù)棧，在后臺(tái)回復(fù)：面試，可以獲取我整理的 Java 系列面試題和答案，非常齊全。
3.獨(dú)占模式（Possessive）
同貪婪模式一樣，獨(dú)占模式一樣會(huì)最大限度地匹配更多內(nèi)容；不同的是，在獨(dú)占模式下，匹配失敗就會(huì)結(jié)束匹配，不會(huì)發(fā)生回溯問題。
還是上面的例子，在字符后面加一個(gè)“+”，就可以開啟獨(dú)占模式。
text = "abbc"
regex = "ab{1,3}+c"
結(jié)果是不匹配，結(jié)束匹配，不會(huì)發(fā)生回溯問題。
所以綜上所述，避免回溯的方法就是：使用懶惰模式或獨(dú)占模式。
前面講述了“Split() 方法使用了正則表達(dá)式實(shí)現(xiàn)了其強(qiáng)大的分割功能，而正則表達(dá)式的性能是非常不穩(wěn)定的，使用不恰當(dāng)會(huì)引起回溯問題?！?，比如使用了 split 方法提取域名，并檢查請(qǐng)求參數(shù)是否符合規(guī)定。
split 在匹配分組時(shí)遇到特殊字符產(chǎn)生了大量回溯，解決辦法就是在正則表達(dá)式后加一個(gè)需要匹配的字符和“+”解決了回溯問題：
\\?(([A-Za-z0-9-~_=%]++\\&{0,1})+)
五.正則表達(dá)式的優(yōu)化
1.少用貪婪模式：多用貪婪模式會(huì)引起回溯問題，可以使用獨(dú)占模式來避免回溯。
2.減少分支選擇：分支選擇類型 “(X|Y|Z)” 的正則表達(dá)式會(huì)降低性能，在開發(fā)的時(shí)候要盡量減少使用。如果一定要用，可以通過以下幾種方式來優(yōu)化：
1）考慮選擇的順序，將比較常用的選擇項(xiàng)放在前面，使他們可以較快地被匹配；
3）如果是簡單的分支選擇類型，可以用三次 index 代替 “(X|Y|Z)” ，如果測試話，你就會(huì)發(fā)現(xiàn)三次 index 的效率要比 “(X|Y|Z)” 高一些。
3.減少捕獲嵌套 ：
捕獲組是指把正則表達(dá)式中，子表達(dá)式匹配的內(nèi)容保存到以數(shù)字編號(hào)或顯式命名的數(shù)組中，方便后面引用。一般一個(gè)（）就是一個(gè)捕獲組，捕獲組可以進(jìn)行嵌套。
非捕獲組則是指參與匹配卻不進(jìn)行分組編號(hào)的捕獲組，其表達(dá)式一般由（?:exp）組成。
在正則表達(dá)式中，每個(gè)捕獲組都有一個(gè)編號(hào)，編號(hào) 0 代表整個(gè)匹配到的內(nèi)容?？梢钥纯聪旅娴睦樱?/p>
public static void main(String[] args) {
String text = "<input high=\"20\" weight=\"70\">test</input>";
String reg = "(<input.*?>)(.*?)(</input>)";
Pattern p = Pattern.compile(reg);
Matcher m = p.matcher(text);
while (m.find()){
System.out.println(m.group(0));//整個(gè)匹配到的內(nèi)容
System.out.println(m.group(1));//<input.*?>
System.out.println(m.group(2));//(.*?)
System.out.println(m.group(3));//(</input>)
}
}
=====運(yùn)行結(jié)果=====
<input high="20" weight="70">test</input>
<input high="20" weight="70">
test
</input>
如果你并不需要獲取某一個(gè)分組內(nèi)的文本，那么就使用非捕獲組，例如，使用 “(?:x)” 代替 “(X)” ，例如下面的例子：
public static void main(String[] args) {
String text = "<input high=\"20\" weight=\"70\">test</input>";
String reg = "(?:<input.*?>)(.*?)(?:</input>)";
Pattern p = Pattern.compile(reg);
Matcher m = p.matcher(text);
while (m.find()) {
System.out.println(m.group(0));//整個(gè)匹配到的內(nèi)容
System.out.println(m.group(1));//(.*?)
}
}
=====運(yùn)行結(jié)果=====
<input high="20" weight="70">test</input>
test
關(guān)注Java技術(shù)棧看更多干貨
