Java正则表达式详细解析

元字符

 

 

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

1. 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）

1. 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)

1. 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)

1. 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.

文章的话到这里就结束了，希望大家在性能测试中，对正则表达式有自己的认识。今日的性能篇到此结束！

需要更多源码视频，面试题，java技术书籍等学习资料的

可以关注我哦！加群772300343即可获取！

我是小架，我们下篇文章见！