1，什么是正則表達式

正則表達式使用一些特定的元字符來檢索、匹配以及替換符合規(guī)則的字符串。

構造正則表達式語法的元字符，由普通字符、標準字符、限定字符（量詞）、定位字符（邊界字符）組成

普通字符

字母[a-zA-Z]、數(shù)字[0-9]、下劃線[-]、漢字、標點符號等。比如，regex=[a-z]匹配從a到z，26個字母的任意一個。

標準字符

能夠與“多種普通字符”匹配的簡單表達式。比如，\d、\w、\s等，匹配數(shù)字0到9的任意數(shù)字可以用普通字符實現(xiàn)regex=[0-9]，也可以用標準字符實現(xiàn)regex=\d。

限定字符（量詞）

用于表示匹配的字符數(shù)量。比如，*、+、？、[n}等，匹配任意1到3位的數(shù)字可以使用regex=\d{1,3}表示。

定位字符（邊界字符）

“零寬”，標記匹配符合某種條件的位置。比如，$、^等字符，匹配以Hello開頭的字符串可以使用regex=^Hello表示。

2. 正則表達式引擎

正則表達式是一個用正則符號寫出的公式，程序對這個公式進行語法分析，建立一個語法分析樹，再根據(jù)這個分析樹結合正則表達式的引擎生成執(zhí)行程序（這個執(zhí)行程序我們把它稱作狀態(tài)機，也叫狀態(tài)自動機），用于字符匹配。

而這里的正則表達式引擎就是一套核心算法，用于建立狀態(tài)機。

目前實現(xiàn)正則表達式引擎的方式有兩種：DFA 自動機（Deterministic Final Automata 確定有限狀態(tài)自動機）和 NFA 自動機（Non deterministic Finite Automaton 非確定有限狀態(tài)自動機）。

對比來看，構造 DFA 自動機的代價遠大于 NFA 自動機，但 DFA 自動機的執(zhí)行效率高于NFA 自動機。

假設一個字符串的長度是 n，如果用 DFA 自動機作為正則表達式引擎，則匹配的時間復雜度為 O(n)；如果用 NFA 自動機作為正則表達式引擎，由于 NFA 自動機在匹配過程中存在大量的分支和回溯，假設 NFA 的狀態(tài)數(shù)為 s，則該匹配算法的時間復雜度為 O（ns）。

NFA 自動機的優(yōu)勢是支持更多功能。例如，捕獲 group、環(huán)視、占有優(yōu)先量詞等高級功能。這些功能都是基于子表達式獨立進行匹配，因此在編程語言里，使用的正則表達式庫都是基于 NFA 實現(xiàn)的。

那么 NFA 自動機到底是怎么進行匹配的呢？我以下面的字符和表達式來舉例說明。

text=“aabcab”

regex=“bc”

NFA 自動機會讀取正則表達式的每一個字符，拿去和目標字符串匹配，匹配成功就換正則表達式的下一個字符，反之就繼續(xù)和目標字符串的下一個字符進行匹配。

分解一下過程。

首先，讀取正則表達式的第一個匹配符和字符串的第一個字符進行比較，b 對 a，不匹配；繼續(xù)換字符串的下一個字符，也是 a，不匹配；繼續(xù)換下一個，是 b，匹配。

然后，同理，讀取正則表達式的第二個匹配符和字符串的第四個字符進行比較，c 對 c，匹配；繼續(xù)讀取正則表達式的下一個字符，然而后面已經沒有可匹配的字符了，結束。

這就是 NFA 自動機的匹配過程，雖然在實際應用中，碰到的正則表達式都要比這復雜，但匹配方法是一樣的。   

NFA 自動機的回溯

用 NFA 自動機實現(xiàn)的比較復雜的正則表達式，在匹配過程中經常會引起回溯問題。大量的

回溯會長時間地占用 CPU，從而帶來系統(tǒng)性能開銷。我來舉例說明。

text=“abbc”

regex=“ab{1,3}c”

這個例子，匹配目的比較簡單。匹配以 a 開頭，以 c 結尾，中間有 1-3 個 b 字符的字符串。

NFA 自動機對其解析的過程是這樣的：

首先，讀取正則表達式第一個匹配符 a 和字符串第一個字符 a 進行比較，a 對 a，匹配。

然后，讀取正則表達式第二個匹配符 b{1,3} 和字符串的第二個字符 b 進行比較，匹配。但因為 b{1,3} 表示 1-3 個 b 字符串，NFA 自動機又具有貪婪特性，所以此時不會繼續(xù)讀取正則表達式的下一個匹配符，而是依舊使用 b{1,3} 和字符串的第三個字符 b 進行比較，結果還是匹配。

接著繼續(xù)使用 b{1,3} 和字符串的第四個字符 c 進行比較，發(fā)現(xiàn)不匹配了，此時就會發(fā)生回溯，已經讀取的字符串第四個字符 c 將被吐出去，指針回到第三個字符 b 的位置。

那么發(fā)生回溯以后，匹配過程怎么繼續(xù)呢？程序會讀取正則表達式的下一個匹配符 c，和字符串中的第四個字符 c 進行比較，結果匹配，結束。

如何避免回溯問題？

既然回溯會給系統(tǒng)帶來性能開銷，那如何應對呢？如果你有仔細看上面那個案例的話，

你會發(fā)現(xiàn) NFA 自動機的貪婪特性就是導火索，這和正則表達式的匹配模式息息相關.

1. 貪婪模式（Greedy）

顧名思義，就是在數(shù)量匹配中，如果單獨使用 +、 ? 、* 或{min,max} 等量詞，正則表達式會匹配盡可能多的內容。

例如，上邊那個例子：

text=“abbc”

regex=“ab{1,3}c”

就是在貪婪模式下，NFA 自動機讀取了最大的匹配范圍，即匹配 3 個 b 字符。匹配發(fā)生了一次失敗，就引起了一次回溯。如果匹配結果是“abbbc”，就會匹配成功。

2. 懶惰模式（Reluctant）

在該模式下，正則表達式會盡可能少地重復匹配字符。如果匹配成功，它會繼續(xù)匹配剩余的字符串。

例如，在上面例子的字符后面加一個“？”，就可以開啟懶惰模式。

text=“abc”

regex=“ab{1,3}?c”

匹配結果是“abc”，該模式下 NFA 自動機首先選擇最小的匹配范圍，即匹配 1 個 b 字符，因此就避免了回溯問題。

3. 獨占模式（Possessive）

同貪婪模式一樣，獨占模式一樣會最大限度地匹配更多內容；不同的是，在獨占模式下，匹配失敗就會結束匹配，不會發(fā)生回溯問題。

還是上邊的例子，在字符后面加一個“+”，就可以開啟獨占模式。

text=“abbc”

regex=“ab{1,3}+bc”

結果是不匹配，結束匹配，不會發(fā)生回溯問題。

避免回溯的方法就是：使用懶惰模式和獨占模式。

3,正則表達式的優(yōu)化

1. 少用貪婪模式，多用獨占模式

貪婪模式會引起回溯問題，我們可以使用獨占模式來避免回溯。

2. 減少分支選擇

分支選擇類型“(X|Y|Z)”的正則表達式會降低性能，我們在開發(fā)的時候要盡量減少使用。

如果一定要用，我們可以通過以下幾種方式來優(yōu)化：

首先，我們需要考慮選擇的順序，將比較常用的選擇項放在前面，使它們可以較快地被匹配；

其次，我們可以嘗試提取共用模式，例如，將“(abcd|abef)”替換為“ab(cd|ef)”，后者匹配速度較快，因為 NFA 自動機會嘗試匹配 ab，如果沒有找到，就不會再嘗試任何選項；

最后，如果是簡單的分支選擇類型，我們可以用三次 index 代替“(X|Y|Z)”，如果測試的話，你就會發(fā)現(xiàn)三次 index 的效率要比“(X|Y|Z)”高出一些。

3. 減少捕獲嵌套 （?:exp）

捕獲組是指把正則表達式中，子表達式匹配的內容保存到以數(shù)字編號或顯式命名的數(shù)組中，方便后面引用。一般一個 () 就是一個捕獲組，捕獲組可以進行嵌套。

非捕獲組則是指參與匹配卻不進行分組編號的捕獲組，其表達式一般由（?:exp）組成。

在正則表達式中，每個捕獲組都有一個編號，編號 0 代表整個匹配到的內容。

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));
        System.out.println(m.group(1));
        System.out.println(m.group(2));
        System.out.println(m.group(3));
    }
}

輸出：

<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分組內的文本，那么就使用非捕獲分組。例如，使用“(?:X)”代替“(X)”

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));
        System.out.println(m.group(1));
    }
}

輸出：

<input high=\"20\" weight=\"70\">test</input>
test

綜上：減少不需要獲取的分組，可以提高正則表達式的性能。

總結

正則表達式雖然小，卻有著強大的匹配功能。我們經常用到它，比如，注冊頁面手機號或郵箱的校驗。

但很多時候，我們又會因為它小而忽略它的使用規(guī)則，測試用例中又沒有覆蓋到一些特殊用例，導致上線就中招的情況發(fā)生。

如果要使用正則表達式，要在做好性能排查的前提下；如果不能，那么正則表達式能不用就不用，以此避免造成更多的性能問題。

如果要使用正則表達式，養(yǎng)成使用獨占或者懶惰模式的習慣。

到此這篇關于java正則表達式優(yōu)化的文章就介紹到這了,更多相關java正則表達式優(yōu)化內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論