元字符
- 正则表达式使用一些特定的元字符来检索、匹配和替换符合规则的字符串
- 元字符:普通字符、标准字符、限定字符(量词)、定位字符(边界字符)
正则表达式引擎
- 正则表达式是一个用正则符号写出来的公式
- 程序对正则表达式进行语法分析,建立语法分析树
- 再根据语法分析树结合正则表达式引擎生成执行程序(状态机),用于字符匹配
- 小结
- 正则表达式 => 语法分析树
- 语法分析树 + 正则表达引擎 => 状态机 => 用于字符匹配
- 目前实现正则表达式引擎的方式有两种
- DFA自动机(Deterministic Finite Automaton,确定有限状态自动机)
- NFA自动机(Nondeterministic Finite Automaton,非确定有限状态自动机)
- DFA自动机的构造代价远大于NFA自动机,但DFA自动机的执行效率高于NFA自动机
- 假设一个字符串的长度为n,如果采用DFA自动机作为正则表达式引擎,则匹配的时间复杂度为
O(n)
- 如果采用NFA自动机作为正则表达式引擎,NFA自动机在匹配过程中存在大量的分支和回溯,假设NFA的状态数为s,
- NFA自动机的优势是支持更多高级功能,但都是基于_子表达式独立进行匹配_
- 因此在编程语言里,使用的正则表达式库都是基于NFA自动机实现的
NFA自动机
匹配过程
- NFA自动机会读取正则表达式的每一个字符,拿去和目标字符串匹配
- 匹配成功则换正则表达式的下一个字符,反之就继续就和目标字符串的下一个字符进行匹配
1 2
| text="aabcab" regex="bc"
|
回溯
- 用NFA自动机实现的比较复杂的正则表达式,在匹配过程中经常会引起回溯问题
- 大量的回溯会长时间占用CPU,从而带来系统性能开销
1 2
| text="abbc" regex="ab{1,3}c"
|
读取正则表达式第一个匹配符a和字符串第一个字符a进行比较,a对a,匹配
读取正则表达式第二个匹配符b{1,3}和字符串的第二个字符b进行比较,匹配,但b{1,3}表示1~3个字符,而NFA自动机具有贪婪特性,所以不会读取正则表达式的下一个匹配符c
使用b{1,3}和字符串的第四个字符c进行比较,发现不匹配,此时就会发生回溯,已经读取的字符串第四个字符c将被吐出去,指针回到第三个字符b的位置
发生回溯后,读取正则表达式的下一个匹配符c,和字符串的第四个字符c进行比较,结果匹配
避免回溯
避免回溯的方法:使用懒惰模式和独占模式
贪婪模式(Greedy)
- 在数量匹配中,如果单独使用
+、?、*、{min,max}
等量词,正则表达式会匹配尽可能多的内容
text="abbc" , regex="ab{1,3}c"
,发生了一次匹配失败,就会引起一次回溯
text="abbbc" , regex="ab{1,3}c"
,匹配成功
懒惰模式(Reluctant)
- 在懒惰模式下,正则表达式会尽可能少地重复匹配字符,如果匹配成功,会继续匹配剩余的字符串
- 使用
?
开启懒惰模式,text="abc" , regex="ab{1,3}?c"
- 匹配结果是
"abc"
,在该模式下NFA自动机首先选择最小的匹配范围,即匹配1个b字符,避免了回溯问题
独占模式(Possessive)
- 和贪婪模式一样,独占模式一样会最大限度地匹配更多内容,但在匹配失败时会结束匹配,不会发生回溯问题
- 使用
+
开启懒惰模式,text="abbc" , regex="ab{1,3}+bc"
代码
1 2 3 4
| match("ab{1,3}c", "abbc"); match("ab{1,3}c", "abbbc"); match("ab{1,3}?", "abbbb"); match("ab{1,3}+bc", "abbc");
|
正则表达式的优化
- 少用贪婪模式,多用独占模式(避免回溯)
- 减少分支选择,分支选择类型
"(X|Y|Z)"
的正则表达式会降低性能,尽量减少使用,如果一定要使用
- 考虑选择的顺序,将比较常用的选择放在前面,使它们可以较快地被匹配
- 提取共用模式,
(abcd|abef)
=> ab(cd|ef)
- 如果是简单的分支选择类型,可以用三次index代替
(X|Y|Z)
- 减少捕获嵌套
- 捕获组:把正则表达式中,子表达式匹配的内容保存到以数字编号或显式命名的数组中,一般一个
()
就是一个捕获组
- 每个捕获组都有一个编号,编号0代表整个匹配到的内容
- 非捕获组:参与匹配却不进行分组编号的捕获组,其表达式一般由
(?:exp)
组成
- 减少不需要获取的分组,可以提高正则表达式的性能
捕获组
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
| 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)); System.out.println(m.group(1)); System.out.println(m.group(2)); System.out.println(m.group(3)); }
|
非捕获组
1 2 3 4 5 6 7 8 9 10 11
| 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)); System.out.println(m.group(1)); }
|
小结
在做好性能测试的前提下,可以使用正则表达式,否则能不用就不用,避免造成更多的性能问题
参考资料
Java性能调优实战