用包含（？：。| \\ s）*？的模式进行正则表达式搜索 需要越来越长的时间

Question

我的正则表达式要花越来越长的时间进行比赛（第5次大约30秒），但需要进行约500轮比赛。 我怀疑灾难性的回溯。 请帮忙！ 如何优化此正则表达式：

String regex = "<tr bgcolor=\"ffffff\">\\s*?<td width=\"20%\"><b>((?:.|\\s)+?): *?</b></td>\\s*?<td width=\"80%\">((?:.|\\s)*?)(?=(?:</td>\\s*?</tr>\\s*?<tr bgcolor=\"ffffff\">)|(?:</td>\\s*?</tr>\\s*?</table>\\s*?<b>Tags</b>))";

编辑：由于目前尚不清楚（我不好）：我正试图提取一个html格式的文档，并通过提取两个搜索组并在以后添加格式来重新格式化。

Answer 1

交替(?:.|\\\\s)+? 效率很高，因为它涉及太多的回溯。

基本上，此模式的所有变体都效率极低： (?:.|\\s)*? ， (?:.|\\n)*? ， (?:.|\\r\\n)*? 还有贪婪的对应对象（ (?:.|\\s)* ， (?:.|\\n)* ， (?:.|\\r\\n)* ）。 (.|\\s)*? 可能是所有人中最糟糕的。

为什么？

两种选择. 和\\s可能在同一位置匹配相同的文本，两者都至少匹配常规空格。 看到此演示程序需要3555个步骤才能完成， .*? 演示 （带有s修饰符）需要1335个步骤才能完成。

像(?:.|\\n)*? Java中的/ (?:.|\\n)*通常会导致堆栈溢出问题 ，并且这里的主要问题与使用逐字符匹配char的交替（已经单独导致回溯）有关，然后修改了组与未知长度的量词。 尽管某些正则表达式引擎可以解决此问题并且不会引发错误，但是这种类型的模式仍然会导致速度变慢，并且不建议使用（仅在ElasticSearch Lucene正则表达式引擎中， (.|\\n)是匹配任何字符的唯一方法） 。

解

如果要使用正则表达式匹配任何字符（包括空格），请使用

[\\s\\S]*?

或使用(?s) （或Pattern.DOTALL Matcher选项）启用单行模式，仅使用即可. （例如(?s)start(.*?)end ）。

注意 ：要操作HTML，请使用专用的解析器，例如jsoup。 这是一篇讨论Java HTML解析器的文章 。