JAVA字符串与正则表达式

文章目录

写在前面
- 1、String
- - 1.1、String底层实现
  - [1.2、str="abc"和new String("abc")的区别](#1.2、str="abc"和new String("abc")的区别)
  - 1.3、使用+拼接字符串
  - 1.4、如何使用String.intern节约内存
  - 1.5、分割字符，split()和indexOf()用哪个
- 2、正则表达式
- - 2.1、DFA和NFA
  - 2.2、怎么减少回溯?

写在前面

1、String在java源码中是怎么实现的？

2、什么是正则表达式的DFA自动机和NFA自动机？

1、String

1.1、String底层实现

Java 6及以前版本，通过char数组，每个char占用两个字节，使得String能够很好地处理Unicode。

bash 复制代码

public final class String implements java.io.Serializable, Comparable<String>, CharSequence {  
    private final char[] value;  
    private int offset;  
    private int count;  
    // ...其他成员和方法  
}

Java 7至Java 8版本，offset和count两个变量被移除，String.substring不再共享char\[\]，解决内存可能泄漏问题。

bash 复制代码

public final class String implements java.io.Serializable, Comparable<String>, CharSequence {  
    private final char[] value;  
    // ...其他成员和方法  
}

Java9开始，把char\[\]改成了byte\[\] + coder(编码标识)

1.2、str="abc"和new String("abc")的区别

str="abc"
会先检查"abc"在不在常量池，在就不创建了，直接拿引用
new String("abc")
先将"abc"放入常量池，再将其引用传给new的String

1.3、使用+拼接字符串

使用+拼接字符串，代码编译后，会被替换成StringBuilder。并且每+的一个字符串都可能被new一个新的StringBuilder，所以建议少用+，直接用StringBuilder

1.4、如何使用String.intern节约内存

String a = new String("a123").intern();

当调用intern()时，会先查看常量池中是否已有字符串"a123", 所以当多次用到"a123"时，使用String.intern不会再创建新的字符串，从而节约内存。

1.5、分割字符，split()和indexOf()用哪个

split()使用正则表达式实现，正则表达式性能是比较不稳定的。

indexOf()能分割时尽量用indexOf()

2、正则表达式

2.1、DFA和NFA

正则表达式引擎	构造代价	执行效率	优势
NFA	小	低	支持更多，如group、环视、占有有限量词
DFA	大	高

NFA 自动机回溯

bash 复制代码

str = "arrrc"
reg = "ar{1,3}c"

自动回溯会先匹配arrr,匹配到c,发现不是r,就回溯到最后一个r,用reg的c去继续匹配

2.2、怎么减少回溯?

1、贪婪模式

如上述例子就是贪婪模式

2、懒惰模式

bash 复制代码

str = "arrrc"
reg = "ar{1,3}?c"

懒惰模式会先匹配ar,发现已经有一个r了,就开始用c接着匹配

3、独占模式

bash 复制代码

str = "arrc"
reg = "ar{1,3}+rc"

独占模式会先匹配ar,发现已经有一个r了,就开始用rc接着匹配,不会回溯

下面这种独占模式会回溯

bash 复制代码

str = "arrc"
reg = "ar{1,3}+c"

独占模式会先匹配ar,发现已经有一个r了,就开始用c接着匹配,匹配失败回溯

总结：

1、少用贪婪模式，多用独占模式

2、减少分支选择，如将"(abcd|abef)"替换为"ab(cd|ef)"

3、减少捕获嵌套。

捕获组：一个（）里面的就是一个不获取

非捕获组：一个（?:EXP）就是一个非捕获组

bash 复制代码

str = "<input id=1>文本</input>"
reg = "(<input.*?)(.*?)(</input)"
# 上面reg包含了3个捕获组，所以如果输出捕获结果会有整个匹配到的内容+括号里面的，4组字符串

str = "<input id=1>文本</input>"
reg = "(?:<input.*?)(.*?)(?:</input)"
# 上面reg包含了1个捕获组，所以如果输出捕获结果会有整个匹配到的内容+捕获组括号里面的，2组字符串