寫出高效率的正則表達式技巧總結

2020-03-22 17:47:32

字體：大中小

來源：轉載

供稿：網友

如果純粹是為了挑戰自己的正則水平，用來實現一些特效（例如使用html' target='_blank'>正則表達式計算質數、解線性方程），效率不是問題；如果所寫的正則表達式只是為了滿足一兩次、幾十次的運行，優化與否區別也不太大。但是，如果所寫的正則表達式會百萬次、千萬次地運行，效率就是很大的問題了。為行文方便，先定義兩個概念。
誤匹配：指正則表達式所匹配的內容范圍超出了所需要范圍，有些文本明明不符合要求，但是被所寫的正則式“擊中了”。例如，如果使用/d{11}來匹配11位的手機號，/d{11}不單能匹配正確的手機號，它還會匹配98765432100這樣的明顯不是手機號的字符串。我們把這樣的匹配稱之為誤匹配。
漏匹配：指正則表達式所匹配的內容所規定的范圍太狹窄，有些文本確實是所需要的，但是所寫的正則沒有將這種情況囊括在內。例如，使用/d{18}來匹配18位的身份證號碼，就會漏掉結尾是字母X的情況。
寫出一條正則表達式，既可能只出現誤匹配（條件寫得極寬松，其范圍大于目標文本），也可能只出現漏匹配（只描述了目標文本中多種情況種的一種），還可能既有誤匹配又有漏匹配。例如，使用/w+/.com來匹配.com結尾的域名，既會誤匹配abc_.com這樣的字串（合法的域名中不含下劃線，/w包含了下劃線這種情況），又會漏掉ab-c.com這樣的域名（合法域名中可以含中劃線，但是/w不匹配中劃線）。
精準的正則表達式意味著既無誤匹配且無漏匹配。當然，現實中存在這樣的情況：只能看到有限數量的文本，根據這些文本寫規則，但是這些規則將會用到海量的文本中。這種情況下，盡可能地（如果不是完全地）消除誤匹配以及漏匹配，并提升運行效率，就是我們的目標。本文所提出的經驗，主要是針對這種情況。
掌握語法細節。正則表達式在各種語言中，其語法大致相同，細節各有千秋。明確所使用語言的正則的語法的細節，是寫出正確、高效正則表達式的基礎。例如，perl中與/w等效的匹配范圍是[a-zA-Z0-9_]；perl正則式不支持肯定逆序環視中使用可變的重復（variable repetition inside lookbehind，例如( =.*)abc），但是.Net語法是支持這一特性的；又如，JavaScript連逆序環視（Lookbehind,如( =ab)c）都不支持，而perl和python是支持的?！毒ㄕ齽t表達式》第3章《正則表達式的特性和流派概覽》明確地列出了各大派系正則的異同，這篇文章也簡要地列出了幾種常用語言、工具中正則的比較。對于具體使用者而言，至少應該詳細了解正在使用的那種工作語言里正則的語法細節。
先粗后精，先加后減。使用正則表達式語法對于目標文本進行描述和界定，可以像畫素描一樣，先大致勾勒出框架，再逐步在局步實現細節。仍舉剛才的手機號的例子，先界定/d{11}，總不會錯；再細化為1[358]/d{9}，就向前邁了一大步（至于第二位是不是3、5、8，這里無意深究，只舉這樣一個例子，說明逐步細化的過程）。這樣做的目的是先消除漏匹配（剛開始先盡可能多地匹配，做加法），然后再一點一點地消除誤匹配（做減法）。這樣有先有后，在考慮時才不易出錯，從而向“不誤不漏”這個目標邁進。
留有余地。所能看到的文本sample是有限的，而待匹配檢驗的文本是海量的，暫時不可見的。對于這樣的情況，在寫正則表達式時要跳出所能見到的文本的圈子，開拓思路，作出“戰略性前瞻”。例如，經常收到這樣的垃圾短信：“發*票”、“發#漂”。如果要寫規則屏蔽這樣煩人的垃圾短信，不但要能寫出可以匹配當前文本的正則表達式發[*#]( :票|漂)，還要能夠想到發.( :票|漂|飄)之類可能出現的“變種”。這在具體的領域或許會有針對性的規則，不多言。這樣做的目的是消除漏匹配，延長正則表達式的生命周期。
明確。具體說來，就是謹慎用點號這樣的元字符，盡可能不用星號和加號這樣的任意量詞。只要能確定范圍的，例如/w，就不要用點號；只要能夠預測重復次數的，就不要用任意量詞。例如，寫析取twitter消息的腳本，假設一條消息的xml正文部分結構是 span >不要讓稻草壓死駱駝。每使用一個普通括號()而不是非捕獲型括號( :…)，就會保留一部分內存等著你再次訪問。這樣的正則表達式、無限次地運行次數，無異于一根根稻草的堆加，終于能將駱駝壓死。養成合理使用( :…)括號的習慣。
寧簡勿繁。將一條復雜的正則表達式拆分為兩條或多條簡單的正則表達式，編程難度會降低，運行效率會提升。例如用來消除行首和行尾空白字符的正則表達式s/^/s+|/s+$//g;，其運行效率理論上要低于s/^/s+//g; s//s+$//g; 。這個例子出自《精通正則表達式》第五章，書中對它的評論是“它幾乎總是最快的，而且顯然最容易理解”。既快又容易理解，何樂而不為？工作中我們還有其它的理由要將C==(A|B)這樣的正則表達式拆為A和B兩條表達式分別執行。例如，雖然A和B這兩種情況只要有一種能夠擊中所需要的文本模式就會成功匹配，但是如果只要有一條子表達式（例如A）會產生誤匹配，那么不論其它的子表達式（例如B）效率如何之高，范圍如何精準，C的總體精準度也會因A而受到影響。
巧妙定位。有時候，我們需要匹配的the，是作為單詞的the（兩邊有空格），而不是作為單詞一部分的t-h-e的有序排列（例如together中的the）。在適當的時候用上^，$，/b等等定位錨點，能有效提升找到成功匹配、淘汰不成功匹配的效率。
以上就是總結了幾條提升正則表達式運行效率的經驗（工作中學到的，看書學來的，自己的體會），整理在這里。如果您有其它的經驗而這里沒有提及，歡迎討論。
PHP教程

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。

上一篇：正則表達式詳解

下一篇：正則表達式、分組、子匹配（子模式）、非捕獲子匹配（子模式）