正则表达式回溯陷阱

一、匹配场景

判断一个句子是不是正规英文句子

bash 复制代码

text = "I am a student"

一个正常的英文句子如上，英文单词 + 空格隔开

英文单词 = 多个英文字符 [a-zA-Z]

空格用 \s 表示

那么一个句子就是单词 + 空格（一个或者多个，最后那个单词是0个）（可能有多个单词+空格）+ 最后一个句号 .

那正则就是

bash 复制代码

^([a-zA-Z]+(\s)*)+$

JAVA代码

java 复制代码

public static void main(String[] args) {
        String text = "I am a good student";
        String regex = "^([a-zA-Z]+(\\s)*)+$";

        Pattern pattern = Pattern.compile(regex);
        Matcher matcher = pattern.matcher(text);
        System.out.println(matcher.find());
        System.out.println(matcher.group(0));
    }

输出结果：

bash 复制代码

true
I am a good student

二、性能测试

regex101: build, test, and debug regexRegular expression tester with syntax highlighting, explanation, cheat sheet for PHP/PCRE, Python, GO, JavaScript, Java, C#/.NET, Rust.https://regex101.com/

句子改成：I am a good good student

匹配成功了。39 step，耗时0.1ms，

但是假如把句子拉长点，最后加上一个问号？

I am a good good student？

83408 step，耗时5.4ms

假如把句子再拉长点，那么直接就干爆CPU，耗时指数增长，

为啥会这样呢？

三、正则的回溯陷阱

1、了解下NFA与DFA

DFA (Deterministic finite automaton) 确定型有穷自动机
NFA (Non-deterministic finite automaton) 非确定型有穷自动机

DFA ：遍历text字符串，去和Pattern匹配

NFA：遍历Pattern，去与text匹配

DFA（是电动机）和NFA（汽油机）都有很长的历史，不过，正如汽油机一样，NFA 的历史更长一些。也有些系统采用了混合引擎，它们会根据任务的不同选择合适的引擎（甚至对同一表达式中的不同部分采用不同的引擎，以求得功能与速度之间的最佳平衡）。 ------《精通正则表达式》

绝大多数编程语言都选择的引擎------NFA (非确定型有穷自动机) 引擎

2、NFA的回溯

字符串：abc

表达式：a(d|b)c

注意这个位置回退！！！

3、简易例子分析

bash 复制代码

表达式 = ^(a*)+$
文本 = aaaaaaaaaaaaaaab

走了16w步，花了7.3ms

首先 (a*) 已经匹配到 aaaaaaaaaaaaaaa 了，
(a*)+ 也匹配到 aaaaaaaaaaaaaaa ，
结束符$去匹配的时候，发现text不是结束，而是一个b
那吐出最后的a，变成 (aaaaaaaaaaaaaa) a ，没匹配上，继续吐

a*               a*
(aaaaaaaaaaaaa) (aa)

a*              a* a*
(aaaaaaaaaaaaa) (a)(a)


a*              a* 
(aaaaaaaaaaaa) (aaa)


a*              a* a*
(aaaaaaaaaaaa) (aa)(a)


a*              a* a* a*
(aaaaaaaaaaaa) (a)(a)(a)

--> 吐到最后
(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)(a)

直接干爆CPU

4、咋优化?

1、对于 ^(a*)+$

直接把表达式

^(a*)+$

改成 ^(a*)$

把后面的 + 号去掉。

直接就是 5 Step，0.1ms

2、对于 ^([a-zA-Z]+(\s)*)+$

**把后面的 + 号去掉。**就不回溯了，

但是匹配不上，因为语句有问题，就是空格必须存在，但是最后的空格不存在

所以改成：^[a-zA-Z]+(\s[a-zA-Z]+)*$

遇到问号也不回溯

去掉问号也匹配上了