Java性能 -- 正则表达式

1. 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
2. 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

1. 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
     • 正则表达式引擎是一套核心算法，用于 建立状态机
   • 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
2. 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）
3. 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，
     • 则匹配的时间复杂度为 O(ns)
4. 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

1. 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
2. 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

text="aabcab"
regex="bc"

回溯

1. 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
2. 大量的回溯会 长时间占用CPU ，从而带来系统性能开销

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）

1. 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
2. text="abbc" , regex="ab{1,3}c" ，发生了一次匹配失败，就会引起一次回溯
3. text="abbbc" , regex="ab{1,3}c" ，匹配成功

懒惰模式（Reluctant）

1. 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
2. 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）

1. 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
2. 使用 + 开启懒惰模式， text="abbc" , regex="ab{1,3}+bc"
   • 结果是不匹配，结束匹配，不会发生回溯问题

代码

match("ab{1,3}c", "abbc"); // abbc，贪婪模式，产生回溯
match("ab{1,3}c", "abbbc"); // abbbc，贪婪模式，不产生回溯
match("ab{1,3}?", "abbbb"); // ab，懒惰模式，不产生回溯
match("ab{1,3}+bc", "abbc"); // null，独占模式，不产生回溯

正则表达式的优化

1. 少用贪婪模式， 多用独占模式 （避免回溯）
2. 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)
3. 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

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));// 整个匹配到的内容
    System.out.println(m.group(1));//(<input.*?>)
    System.out.println(m.group(2));//(.*?)
    System.out.println(m.group(3));//(</input>)
    // 输出：
    //  <input high="20" weight="70">test</input>
    //  <input high="20" weight="70">
    //  test
    //  </input>
}

非捕获组

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));// 整个匹配到的内容
    System.out.println(m.group(1));//(.*?)
    // 输出
    //  <input high="20" weight="70">test</input>
    //  test
}

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