使用Pattern和Matcher的Java正則表達式

Question

我的問題與Java中的正則表達式有關，特別是給定搜索模式的多個匹配。 我需要獲取的所有信息都在1行，它包含一個映射到IP地址的別名（例如SA）。 每個都用逗號分隔。 我需要提取每一個。

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

我的Reg Ex看起來像這樣：

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

這可行，但我並不完全滿意，因為自從引入這一小段代碼后，我的程序已經放慢了一點（<1秒）但足以注意到差異。

所以我的問題是，我是否以正確的方式解決這個問題？ 是否有更高效或可能輕量級的解決方案，而不需要一個while（匹配）循環？ 和/或模式/匹配類？

Answer 1

如果該行可能不包含除別名定義之外的任何內容，則使用.match()而不是.find()可能會加快對非匹配的搜索。

Answer 2

我擔心你的代碼看起來非常有效。 這是我的版本：

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

有兩個微優化：

1. 無需將模式保存在額外的變量中，內聯它
2. 對於別名，搜索單詞字符，而不是非空格字符

實際上，如果你做了很多這樣的處理並且模式永遠不會改變，你應該將編譯后的模式保持為常量：

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：我花了一些時間在RegExr上提出了一個更具體的模式，它應該只檢測有效的IP地址作為獎勵。 我知道這很難看，但我的猜測是它非常高效，因為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}))

（為了便於閱讀，所有反斜杠都需要在java中進行轉義，但你可以在RegExr上測試它，因為它與OP的測試字符串一樣）

Answer 3

您可以將正則表達式改進為： "(\\\\S{2})\\\\s+\\"((\\\\d{1,3}\\\\.){3}\\\\d{1,3})\\""通過更明確地指定IP地址。

嘗試使用StringTokenizer的性能。 它不使用正則表達式。 （如果您擔心使用遺留類，那么請查看其源代碼並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

我不知道這是否會產生很大的性能優勢，但你也可以先做

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

然后

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

在比賽中。

Answer 5

預編譯和重用Pattern對象（IMO）可能是最有效的優化。 模式編譯可能是一個昂貴的步驟。

重用Matcher實例（例如使用reset(CharSequence) ）可能有所幫助，但我懷疑它會有很大的不同。

正則表達式本身無法顯着優化。 一種可能的加速方式是用([0-9\\.]+)替換(\\d+\\.\\d+\\.\\d+\\.\\d+) ([0-9\\.]+) 。 這可能有所幫助，因為它減少了潛在回溯點的數量......但你需要做一些實驗才能確定。 明顯的缺點是它匹配的是無效IP地址的字符序列。

Answer 6

如果您注意到該段代碼的差異<1秒，那么您的輸入字符串必須包含大約一百萬（或至少大約100k）的條目。 我認為這是一個相當公平的性能，如果不編寫自己的專用解析器，我無法看到如何顯着優化它。