如何使这个正则表达式不会导致“灾难性的回溯”？

Question

我正在尝试使用我从http://daringfireball.net/2010/07/improved_regex_for_matching_urls获得的匹配正则表达式的URL

(?xi)
\b
(                       # Capture 1: entire matched URL
  (?:
    https?://               # http or https protocol
    |                       #   or
    www\d{0,3}[.]           # "www.", "www1.", "www2." … "www999."
    |                           #   or
    [a-z0-9.\-]+[.][a-z]{2,4}/  # looks like domain name followed by a slash
  )
  (?:                       # One or more:
    [^\s()<>]+                  # Run of non-space, non-()<>
    |                           #   or
    \(([^\s()<>]+|(\([^\s()<>]+\)))*\)  # balanced parens, up to 2 levels
  )+
  (?:                       # End with:
    \(([^\s()<>]+|(\([^\s()<>]+\)))*\)  # balanced parens, up to 2 levels
    |                               #   or
    [^\s`!()\[\]{};:'".,<>?«»“”‘’]        # not a space or one of these punct chars
  )
)

根据另一个问题的答案，似乎有些案例导致这个正则表达式灾难性地回溯 。 例如：

var re = /\b((?:https?:\/\/|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}\/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:'".,<>?«»“”‘’]))/i;
re.test("http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA)")

...可能需要很长时间才能执行（例如在Chrome中）

在我看来，问题在于这部分代码：

(?:                       # One or more:
    [^\s()<>]+                  # Run of non-space, non-()<>
    |                           #   or
    \(([^\s()<>]+|(\([^\s()<>]+\)))*\)  # balanced parens, up to 2 levels
  )+

......似乎大致相当于(.+|\\((.+|(\\(.+\\)))*\\))+ ，看起来它包含(.+)+

我可以做出改变以避免这种情况吗？

Answer 1

将其更改为以下内容可以防止灾难性的回溯：

(?xi)
\b
(                       # Capture 1: entire matched URL
  (?:
    https?://               # http or https protocol
    |                       #   or
    www\d{0,3}[.]           # "www.", "www1.", "www2." … "www999."
    |                           #   or
    [a-z0-9.\-]+[.][a-z]{2,4}/  # looks like domain name followed by a slash
  )
  (?:                       # One or more:
    [^\s()<>]+                  # Run of non-space, non-()<>
    |                           #   or
    \(([^\s()<>]|(\([^\s()<>]+\)))*\)  # balanced parens, up to 2 levels
  )+
  (?:                       # End with:
    \(([^\s()<>]|(\([^\s()<>]+\)))*\)  # balanced parens, up to 2 levels
    |                               #   or
    [^\s`!()\[\]{};:'".,<>?«»“”‘’]        # not a space or one of these punct chars
  )
)

唯一的变化是在正则表达式的每个“平衡的parens”部分中删除第一个[^\\s()<>]之后的+ 。

以下是使用JS进行测试的单行版本：

var re = /\b((?:https?:\/\/|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}\/)(?:[^\s()<>]+|\(([^\s()<>]|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:'".,<>?«»“”‘’]))/i;
re.test("http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA")

原始正则表达式的问题部分是平衡括号部分，以简化回溯发生原因的解释我将完全删除它的嵌套括号部分，因为它在这里不相关：

\(([^\s()<>]+|(\([^\s()<>]+\)))*\)    # original
\(([^\s()<>]+)*\)                     # expanded below

\(                # literal '('
(                 # start group, repeat zero or more times
    [^\s()<>]+        # one or more non-special characters
)*                # end group
\)                # literal ')'

考虑一下这里发生的字符串'(AAAAA' ，文字(将匹配然后AAAAA将由该组消费，并且)将无法匹配。此时该组将放弃一个A ，留下AAAA捕获并且此时尝试继续比赛。由于该组有一个*跟随它，该组可以匹配多次，所以现在你可以([^\\s()<>]+)*匹配AAAA ，然后A第二次通过。当这次失败时，额外的A将被原始捕获放弃并被第二次捕获消耗。

这将持续很长时间，导致以下尝试匹配，其中每个逗号分隔的组指示组匹配的不同时间，以及实例匹配的字符数：

AAAAA
AAAA, A
AAA, AA
AAA, A, A
AA, AAA
AA, AA, A
AA, A, AA
AA, A, A, A
....

我可能算错了，但我确定它在确定正则表达式无法匹配之前最多可增加16个步骤。 当您继续向字符串添加其他字符时，计算出来的步骤数呈指数增长。

通过删除+并将其更改为\\(([^\\s()<>])*\\) ，您将避免此回溯方案。

重新添加交替以检查嵌套括号不会导致任何问题。

请注意，您可能希望在字符串的末尾添加某种锚点，因为目前"http://google.com/?q=(AAAAAAAAAAAAAAAAAAAAAAAAAAAAA"将匹配到(因此re.test(...)之前re.test(...)因为http://google.com/?q=匹配而返回true 。