如何使这个正则表达式不会导致“灾难性回溯”?
Posted
技术标签:
【中文标题】如何使这个正则表达式不会导致“灾难性回溯”?【英文标题】:How can I make this regular expression not result in "catastrophic backtracking"? 【发布时间】:2012-04-18 21:52:28 【问题描述】:我正在尝试使用从http://daringfireball.net/2010/07/improved_regex_for_matching_urls 获得的匹配正则表达式的 URL
(?xi)
\b
( # Capture 1: entire matched URL
(?:
https?:// # http or https protocol
| # or
www\d0,3[.] # "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
)
)
根据对another question 的回答,似乎有些情况会导致此正则表达式为backtrack catastrophically。例如:
var re = /\b((?:https?:\/\/|www\d0,3[.]|[a-z0-9.\-]+[.][a-z]2,4\/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\];:'".,<>?«»“”‘’]))/i;
re.test("http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA)")
...可能需要很长时间才能执行(例如在 Chrome 中)
在我看来问题出在这部分代码上:
(?: # One or more:
[^\s()<>]+ # Run of non-space, non-()<>
| # or
\(([^\s()<>]+|(\([^\s()<>]+\)))*\) # balanced parens, up to 2 levels
)+
...这似乎大致相当于(.+|\((.+|(\(.+\)))*\))+
,看起来它包含(.+)+
我可以做一些改变来避免这种情况吗?
【问题讨论】:
真的,你应该把这个正则表达式扔掉,然后想出一个你需要的。我还没有看到一个应用程序既蓬松到可以使用正则表达式进行 URL 解析(而不是真正的解析器),又足够严重到需要处理 URL 中的嵌套括号。以“https?://”开头并以第一个字符结尾,该字符应该在正确的 URL 中进行 % 编码,但不是将处理几乎所有内容,并且不会导致正则表达式匹配器呈指数增长。 你试过 Rubular 吗?它下面有一个方便的备忘单,您可以添加各种测试表达式以确保它有效。 (P.S. 我知道这是针对 js 的,但这仍然是一个方便的资源。)rubular.com 【参考方案1】:将其更改为以下内容应该可以防止灾难性的回溯:
(?xi)
\b
( # Capture 1: entire matched URL
(?:
https?:// # http or https protocol
| # or
www\d0,3[.] # "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
)
)
所做的唯一更改是在正则表达式的每个“平衡括号”部分中删除第一个 [^\s()<>]
之后的 +
。
这里是用JS测试的单行版本:
var re = /\b((?:https?:\/\/|www\d0,3[.]|[a-z0-9.\-]+[.][a-z]2,4\/)(?:[^\s()<>]+|\(([^\s()<>]|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]|(\([^\s()<>]+\)))*\)|[^\s`!()\[\];:'".,<>?«»“”‘’]))/i;
re.test("http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA")
原始正则表达式的问题部分是平衡括号部分,为了简化回溯发生原因的解释,我将完全删除其中的嵌套括号部分,因为它与此处无关:
\(([^\s()<>]+|(\([^\s()<>]+\)))*\) # original
\(([^\s()<>]+)*\) # expanded below
\( # literal '('
( # start group, repeat zero or more times
[^\s()<>]+ # one or more non-special characters
)* # end group
\) # literal ')'
考虑一下字符串'(AAAAA'
会发生什么,文字(
将匹配,然后AAAAA
将被组消耗,而)
将无法匹配。此时该组将放弃一个A
,留下AAAA
并试图在此时继续比赛。因为该组后面有一个*
,所以该组可以匹配多次,所以现在您将有([^\s()<>]+)*
匹配AAAA
,然后在第二遍时A
。当这失败时,额外的A
将被原始捕获放弃并被第二次捕获消耗。
这会持续很长时间,导致以下尝试匹配,其中每个逗号分隔的组表示该组匹配的不同时间,以及该实例匹配的字符数:
AAAAA
AAAA, A
AAA, AA
AAA, A, A
AA, AAA
AA, AA, A
AA, A, AA
AA, A, A, A
....
我可能算错了,但我很确定在确定正则表达式无法匹配之前,它总共需要 16 个步骤。随着您继续向字符串中添加其他字符,解决此问题的步骤数呈指数增长。
通过删除 +
并将其更改为 \(([^\s()<>])*\)
,您可以避免这种回溯情况。
重新添加替换以检查嵌套括号不会导致任何问题。
请注意,您可能希望在字符串末尾添加某种锚点,因为目前"http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA"
将匹配到(
之前,所以re.test(...)
将返回true
,因为http://google.com/?q=
匹配。
【讨论】:
不错的答案。 @David - 除了 F.J 提出的提高速度的建议之外,您还应该尝试原子分组技巧。 @SteveWortham - 我认为原子团实际上可能会破坏这个,看看这个JSFiddle。正则表达式(?=([abc]))\1*
将等效于a*
、b*
或c*
,具体取决于首先看到[abc]
中的哪个字符。
啊,看来我测试得还不够彻底。以上是关于如何使这个正则表达式不会导致“灾难性回溯”?的主要内容,如果未能解决你的问题,请参考以下文章