使用Pattern和Matcher的Java正则表达式

Question

我的问题与Java中的正则表达式有关，特别是给定搜索模式的多个匹配。 我需要获取的所有信息都在1行，它包含一个映射到IP地址的别名（例如SA）。 每个都用逗号分隔。 我需要提取每一个。

SA "239.255.252.1", SB "239.255.252.2", SC "239.255.252.3", SD "239.255.252.4"

我的Reg Ex看起来像这样：

Pattern alias = Pattern.compile("(\\S+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"");  
Matcher match = alias.matcher(lineInFile)  
while(match.find()) {  
   // do something  
}

这可行，但我并不完全满意，因为自从引入这一小段代码后，我的程序已经放慢了一点（<1秒）但足以注意到差异。

所以我的问题是，我是否以正确的方式解决这个问题？ 是否有更高效或可能轻量级的解决方案，而不需要一个while（匹配）循环？ 和/或模式/匹配类？

Answer 1

如果该行可能不包含除别名定义之外的任何内容，则使用.match()而不是.find()可能会加快对非匹配的搜索。

Answer 2

我担心你的代码看起来非常有效。 这是我的版本：

Matcher match = Pattern
                .compile("(\\w+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"")
                .matcher(lineInFile);  
while(match.find()) {  
    //do something  
}

有两个微优化：

1. 无需将模式保存在额外的变量中，内联它
2. 对于别名，搜索单词字符，而不是非空格字符

实际上，如果你做了很多这样的处理并且模式永远不会改变，你应该将编译后的模式保持为常量：

private static final Pattern PATTERN = Pattern
            .compile("(\\w+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"");

Matcher match = PATTERN.matcher(lineInFile);  
while(match.find()) {  
    //do something  
}

---

更新：我花了一些时间在RegExr上提出了一个更具体的模式，它应该只检测有效的IP地址作为奖励。 我知道这很难看，但我的猜测是它非常高效，因为它消除了大部分的回溯：

([A-Z]+)\s*\"((?:1[0-9]{2}|2(?:(?:5[0-5]|[0-9]{2})|[0-9]{1,2})\.)
{3}(?:1[0-9]{2}|2(?:5[0-5]|[0-9]{2})|[0-9]{1,2}))

（为了便于阅读，所有反斜杠都需要在java中进行转义，但你可以在RegExr上测试它，因为它与OP的测试字符串一样）

Answer 3

您可以将正则表达式改进为： "(\\\\S{2})\\\\s+\\"((\\\\d{1,3}\\\\.){3}\\\\d{1,3})\\""通过更明确地指定IP地址。

尝试使用StringTokenizer的性能。 它不使用正则表达式。 （如果您担心使用遗留类，那么请查看其源代码并了解它是如何完成的。）

StringTokenizer st = new StringTokenizer(lineInFile, " ,\"");
while(st.hasMoreTokens()){
    String key = st.nextToken();
    String ip = st.nextToken();
    System.out.println(key + " ip: " +  ip);
}

Answer 4

我不知道这是否会产生很大的性能优势，但你也可以先做

string.split(", ") // separate groups

然后

string.split(" ?\"") // separate alias from IP address

在比赛中。

Answer 5

预编译和重用Pattern对象（IMO）可能是最有效的优化。 模式编译可能是一个昂贵的步骤。

重用Matcher实例（例如使用reset(CharSequence) ）可能有所帮助，但我怀疑它会有很大的不同。

正则表达式本身无法显着优化。 一种可能的加速方式是用([0-9\\.]+)替换(\\d+\\.\\d+\\.\\d+\\.\\d+) ([0-9\\.]+) 。 这可能有所帮助，因为它减少了潜在回溯点的数量......但你需要做一些实验才能确定。 明显的缺点是它匹配的是无效IP地址的字符序列。

Answer 6

如果您注意到该段代码的差异<1秒，那么您的输入字符串必须包含大约一百万（或至少大约100k）的条目。 我认为这是一个相当公平的性能，如果不编写自己的专用解析器，我无法看到如何显着优化它。