Java性能优化-02-正则表达式

1-正则表达式

正则表达式使用一些特定的元字符来检索、匹配以及替换符合规则的字符串。构造正则表达式语法的元字符，由普通字符、标准字符、限定字符（量词）、定位字符（边界字符）组成。

2-正则表达式引擎

目前实现正则表达式引擎的方式有两种：DFA自动机（Deterministic Final Automata 确定有限状态自动机）和NFA自动机（Non deterministic Finite Automaton 非确定有限状态自动机）。

NFA自动机的优势是支持更多功能。例如，捕获group、环视、占有优先量词等高级功能。这些功能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实现的。

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。大量的回溯会长时间地占用CPU，从而带来系统性能开销。

2.1-回溯问题

比如如下例子：

text="abbc",regex="ab{1,3}c"

首先，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。

然后，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。但因为 b{1,3} 表示1-3个b字符串，NFA自动机又具有贪婪特性，所以此时不会继续读取正则表达式的下一个匹配符，而是依旧使用 b{1,3} 和字符串的第三个字符b进行比较，结果还是匹配。

接着继续使用b{1,3} 和字符串的第四个字符c进行比较，发现不匹配了，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。

那么发生回溯以后，匹配过程怎么继续呢？程序会读取正则表达式的下一个匹配符c，和字符串中的第四个字符c进行比较，结果匹配，结束。

2.2-三种模式

2.2.1-贪婪模式（Greedy）

在数量匹配中，如果单独使用+、 ? 、* 或{min,max} 等量词，正则表达式会匹配尽可能多的内容。

text=“abbc”

regex=“ab{1,3}c”

2.2.2-懒惰模式（Reluctant）

正则表达式会尽可能少地重复匹配字符。如果匹配成功，它会继续匹配剩余的字符串。

字符后面加一个“？”，就可以开启懒惰模式。

text=“abc”

regex=“ab{1,3}?c”

2.2.3-独占模式（Possessive）

独占模式一样会最大限度地匹配更多内容；不同的是，在独占模式下，匹配失败就会结束匹配，不会发生回溯问题。

在字符后面加一个“+”，就可以开启独占模式。

text=“abbc”

regex=“ab{1,3}+c”

避免回溯的方法就是：使用懒惰模式和独占模式。

3-正则表达式的优化

1. 少用贪婪模式，多用独占模式；

2. 减少分支选择；

3. 减少捕获嵌套