正則表達式優化

這裏說的正則表達式優化，主要是針對目前經常使用的NFA模式正則表達式，

 

詳細能夠參考：正則表達式匹配解析過程探討分析（正則表達式匹配原理）。

 

從上面例子，咱們能夠推斷出，影響NFA類正則表達式

（常見語言：GNU Emacs,Java,ergp,less,more,.NET語言, 
PCRE library,Perl,PHP,Python,Ruby,sed,vi )

 

其實主要是它的「回溯」，減小「回溯」次數（減小循環查找同一個字符次數），是提升性能的主要方法。 咱們來看個例子：

 

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

匹配要求，匹配<script….>….</script>標籤裏面全部內容，包括改標籤

 

常見寫法(1)，由於<script後面可能出現字符、空白、特殊符號等，還有標籤裏面也可能出現各類js代碼。

咱們簡單方法是：

正則表達式：<script.*?> .*? </script>

(測試工具使用了：regexBuddy)

 

總共花費115步，回溯了：48次。 由於咱們使用」.」字符，匹配默認狀況下除了\n以外全部字符。

 

方法（2），咱們分析特色發現，<script…>後面，應該是除了」>」以外均可以字符，而後一對<script>標籤裏面js內容。

能夠定義爲除了」<」以外。（這裏面我只是舉例說明優化方法，實際網頁中script標籤裏面，常見都會出現有」<」字符了）

正則表達式：<script[^?>]+> [^<]+  </script>

19步，0次回溯！ ，步驟只有原先的15%左右，性能幾倍的提高了！

 

從上面咱們看到，不一樣正則表達式，對通用字符配平，性能相差會很大。

減小「回溯」是最好的方法，減小回溯其中最主要的方法是：」用最小範圍的元字符，儘可能避免用過大的元字符！」。

 

通常規律以下：

一、使用正確的邊界匹配器（^、$、\b、\B等），限定搜索字符串位置

二、使用具體的元字符、字符類（\d、\w、\s等） ，少用」.」字符

三、使用正確的量詞（+、*、?、{n,m}），若是可以限定長度，匹配最佳

四、使用非捕獲組、原子組，減小沒有必要的字匹配捕獲用(?:)

 

如：我想匹配一些英文字母，它後面接的是數字。

如：abc1234,我能夠寫 「\w+\d+」，也能夠寫」[a-zA-Z]+\d+」 ，

其中第一個\w+會先匹配全部abc1234，而後回溯，匹配知足\d+格式。

 

一共4步，然後面這個只須要2步，步驟減小一半了！好了，今天就先到這裏，歡迎你們討論、交流！