正则表达式优化

这里说的正则表达式优化，主要是针对目前经常使用的NFA模式正则表达式，

 

详细能够参考：正则表达式匹配解析过程探讨分析（正则表达式匹配原理）。

 

从上面例子，咱们能够推断出，影响NFA类正则表达式

（常见语言：GNU Emacs,Java,ergp,less,more,.NET语言, 
PCRE library,Perl,PHP,Python,Ruby,sed,vi )

 

其实主要是它的“回溯”，减小“回溯”次数（减小循环查找同一个字符次数），是提升性能的主要方法。 咱们来看个例子：

 

源字符串：<script type="text/javascript">adsfadfsdasfsdafdsfsadfsa</script>

匹配要求，匹配<script….>….</script>标签里面全部内容，包括改标签

 

常见写法(1)，由于<script后面可能出现字符、空白、特殊符号等，还有标签里面也可能出现各类js代码。

咱们简单方法是：

正则表达式：<script.*?> .*? </script>

(测试工具使用了：regexBuddy)

 

总共花费115步，回溯了：48次。 由于咱们使用”.”字符，匹配默认状况下除了\n以外全部字符。

 

方法（2），咱们分析特色发现，<script…>后面，应该是除了”>”以外均可以字符，而后一对<script>标签里面js内容。

能够定义为除了”<”以外。（这里面我只是举例说明优化方法，实际网页中script标签里面，常见都会出现有”<”字符了）

正则表达式：<script[^?>]+> [^<]+  </script>

19步，0次回溯！ ，步骤只有原先的15%左右，性能几倍的提高了！

 

从上面咱们看到，不一样正则表达式，对通用字符配平，性能相差会很大。

减小“回溯”是最好的方法，减小回溯其中最主要的方法是：”用最小范围的元字符，尽可能避免用过大的元字符！”。

 

通常规律以下：

一、使用正确的边界匹配器（^、$、\b、\B等），限定搜索字符串位置

二、使用具体的元字符、字符类（\d、\w、\s等） ，少用”.”字符

三、使用正确的量词（+、*、?、{n,m}），若是可以限定长度，匹配最佳

四、使用非捕获组、原子组，减小没有必要的字匹配捕获用(?:)

 

如：我想匹配一些英文字母，它后面接的是数字。

如：abc1234,我能够写 “\w+\d+”，也能够写”[a-zA-Z]+\d+” ，

其中第一个\w+会先匹配全部abc1234，而后回溯，匹配知足\d+格式。

 

一共4步，然后面这个只须要2步，步骤减小一半了！好了，今天就先到这里，欢迎你们讨论、交流！