如何写出高效率的正则表达式

正则表达式引擎(DFA/NFA)

NFA 是不肯定的有限自动机，也就是说在状态的迁移过程当中，下一个状态可能有好几种可能，而对于 DFA 肯定有限自动机而言，下一个状态只有一种可能。 DFA引擎由于不须要回溯，因此匹配快速，但不支持捕获组，因此也就不支持反向引用和$number这种引用方式，目前使用DFA引擎的语言和工具主要有awk、egrep 和 lex。 而NFA又基本上能够分为传统型NFA和POSIX NFA， POSIX NFA主要指符合POSIX标准的NFA引擎，它的特色主要是提供longest-leftmost匹配，也就是在找到最左侧最长匹配以前，它将继续回溯。同DFA同样，非贪婪模式或者说忽略优先量词对于POSIX NFA一样是没有意义的。

Java使用的是传统型NFA引擎,因此咱们接下来讨论的内容也是基于传统型NFA引擎的

效率问题

由于 DFA 在匹配过程当中是跟正则表达式无关的，因此接下来效率提高方面的讨论只针对 NFA。 匹配失败发生回朔的次数是一个指标，而为何会发生回朔呢? 由于基本的元字符是贪婪的 (*, +)，由于有选择性的匹配 (|), 因而在匹配过程当中每一次这样的选择，都会记录一个回朔点，在匹配失败时，就会回朔到以前一个回朔点，继续匹配，也就是相似于栈的机制，后进先出。

学会使用工具

在这里安利一个RegexBuddy工具，使用它能够很简单的在各类语言环境下测试、使用、debug正则表达式，不要使用网页版本的正则表达式匹配工具，那些大多数是匹配js的，有些甚至连js都匹配不许确。

开始优化正则表达式

使用字符组代替分支条件

匹配abcd字符请使用[a-d]而不是使用a|b|c|d,前者匹配一次便可匹配须要的字符，然后者须要进行匹配四次(由于须要进行回溯)

尽可能使用锚点优化(^或者$)

若是知道一个字符串开头是什么，尽可能使用^,若是知道结尾是什么尽可能使用只可能从字符串默认倒数的第五个字符开始匹配，这样能够略过不少字符，达到优化的效果。

尽可能使用长度优化

若是你知道一个字符串的长度不操做多少，或者这个字符串是定长的，那么请必定加上长度匹配，好比\d{11}匹配11位的数字，\d{4,8}匹配4到8位的数字，在匹配的时候就不会匹配小于4位的数字。

使用占有优先量词和固化分组

占有优先量词：

?+ 	*+ 	++ 	{m,n}+

复制代码

占有优先量词与匹配优先量词很类似,只是它们历来不会交还已经匹配的字符。 固化分组：

(?>...)       ...是指具体内容
复制代码

固化分组的内容与正常的匹配并没有区别，只是当匹配完括号中的内容后，括号中的备用状态会所有舍去。

是否使用非捕获型括号

在上一篇文章正则表达式的基本使用中指出了使用非捕获型括号有利于性能提高，由于你不在须要捕获文本的开销,可是这也不是必然的，好比(000|999)这个锚结尾优化，可是大多数时候非捕获型括号都是有益的，因此这个使用就须要本身权衡。

尽量少的编译

正则表达式的编辑也是须要耗费时间的，不要每次在循环内从新编辑正则表达式

不要滥用括号

只有在须要的时候才使用括号，要否则括号会阻止某些优化措施，好比.*请不要用成(.)*

不要滥用字符组

字符组使用时有好处，可是不要滥用呀,并不须要用到字符组提供的多字符匹配功能的时候请不要使用字符组

像写代码同样优化

这个是什么意思？其实就是尽可能将常量字符串提取出来,将共同的部分提取出来

别写太长的正则表达式

太长的正则表达式效率不必定高，并且后期很差维护，因此尽可能不要写太长的表达式，就算有长的也尽可能拆分红比较短的正则表达式，能用字符串处理解决的就尽可能不用正则表达式。

使用环视模拟开头符识别

若是正则表达式为 Jan|Feb|Dec， 对应的就是(?=[JFMASOND])(?:Jan|Feb|Dec)。 开头的[JFMASOND]表明了英文中月份单词可能的开始字母。

将尽量多的多选分支放在前面

多选分支下尽量将出现几率比较大的表达式放在前面，好比匹配主机名的表达式中(?:aero|biz|com|cooph|...)的效率没有(?:com|net|edu|org|...)的效率高

消除循环

若是你写了一个较复杂的表达式,可使用消除循环来提升效率,消除循环的经常使用解法:

opening normal* (special normal\*)* closing
复制代码

须要注意的几点 ** 1. special 部分和normal部分匹配的开头不能重合 ** ** 2. normal 部分必须匹配至少一个字符 ** ** 3. special部分必须是固话的,部分匹配的文本不能由该部分的屡次迭代完成,好比(abc*)重要比.*好一些。*

是否必须使用正则表达式?

有时候正则表达式确实能为咱们带来便捷，可是滥用正则表达式的后果一样是很是严重的,可能会致使死循环，让你程序的效率显著的降低，因此若是能用字符串解决的问题尽可能不使用正则表达式，若是使用正则表达式请尽可能多测试，写出高水平的正则表达式。