正则表达式是一项昂贵的操作吗？至少看起来

Posted 2023-02-22

【中文标题】正则表达式是一项昂贵的操作吗？至少看起来

【英文标题】：Is regex a costly operation? It seems atleast

【发布时间】：2016-04-13 00:14:45

【问题描述】：

我正在为字符串编写正则表达式模式。字符串是常量类型/结构。我的意思是，它看起来像（这个格式不是那么重要，看下一个例子）-

[Data Code Format]: POP N/N/N (N: object): JSON object data

这里的 N 代表一个数字或数字。 [ ] 里面是一组字符串块。但是，这种格式是不变的。

所以，我写了一个正则表达式-

\s*((?:\S+\s+)1\S+)\s*(?:\((?:.*?)\))?:\s*(\S*)\s*(\w+)

记住这个字符串示例-

%DATA-4-JSON: POP 0/1/0 (1: object): JSON object data

效果很好，但是，我在regex101.com 上看到的是成功匹配。但是，它经历了 330 个步骤来实现这一目标。

截图-

我的问题是，它需要 330 步来实现这一点（至少在我看来，我觉得它相当沉重），我想这可以使用 if-else 和其他步骤较少的比较来实现?

我的意思是，正则表达式字符串解析这么重吗？我需要解析的 10000 个字符串的 330 步会很重，对吧？

【问题讨论】：

默认情况下任何东西都只匹配一次。

“昂贵”与什么相比？ 200 美元贵吗？

写得不好的正则表达式模式不仅成本高昂，而且很危险。这个有太多可以匹配空字符串的子模式。因此，回溯陷入其中并失败，然后重试并失败......这会使您的模式变得昂贵。

是的，正则表达式很昂贵，所以要明智地使用它。

@bozzmob 编写一个没有正则表达式的函数并比较两者。如果它需要快速，那么尝试几种解决方案通常是一个好主意。浏览器有分析工具（按 F12），您可以使用它来测量它。

【参考方案1】：

当您使用正则表达式时，如果您使用回溯，它们的成本可能会很高。当您使用带有可能相互匹配的后续模式的量词时（并且如果它们之间的模式可能匹配空字符串（通常用*、0,x 或? 量词声明）），回溯可能会起到一个坏把戏在你身上。

你的正则表达式有什么不好？

一个轻微的性能问题是由不必要的非捕获组(?:\S+\s+)1 引起的。它可以写成\S+\s+，它已经减少了步数（a bit, 302 steps）。然而，最糟糕的是\S 匹配: 分隔符。因此，正则表达式引擎必须尝试许多可能的路线来匹配您预期匹配的开头。将 \S+\s+\S 替换为 [^:\s]+\s+[^:\s]+ 和 step amount will decrease to 159!

现在，来到 (?:\((?:.*?)\))? - 删除不必要的内部非捕获组会带来另一个轻微的改进 (148 steps)，用否定字符类替换 .*? 会带来另一个提升 (139 steps)。

我现在就用这个​​：

\s*([^:\s]+\s+[^:\s]+)\s*(?:\([^()]*\))?:\s*(\S*)\s*(\w+)

如果最初的 \s* 是强制性的，那将是另一个增强功能，但您会有不同的匹配项。

【讨论】：

+1 以获得关于“如何优化”和“有什么问题”的清晰解释！这正是我想要的。