Java 正則表達式非常慢（將嵌套量詞轉換為所有格量詞）

Question

我發現這個正則表達式匹配 url（最初在 Javascript 中由 Daring Fireball 提供）在 java 中有效，但在某些情況下非常慢：

private final static String pattern = 
"\\b" + 
"(" +                            // Capture 1: entire matched URL
  "(?:" +
    "[a-z][\\w-]+:" +                // URL protocol and colon
    "(?:" +
      "/{1,3}" +                        // 1-3 slashes
      "|" +                             //   or
      "[a-z0-9%]" +                     // Single letter or digit or '%'
                                        // (Trying not to match e.g. "URI::Escape")
    ")" +
    "|" +                            //   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 (updated to add a 'dash'
  ")" +
")";

我發現主題： Java 正則表達式運行速度非常慢，問題出在這段代碼中：

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

似乎要解決這個問題，我需要使這些內部量詞具有所有格（實際上是嵌套的），但我不知道該怎么做謝謝你的建議，對不起我的英語不好！

Answer 1

您可以通過使用java.net.URL或java.net.URI來解析 URL 來避免所有這些。

---

1. java.io.URI在解析方面比java.net.URL做得更好。 試試那個。

2. 解析 url 后，您可以檢查每個組件； 例如，檢查主機名是否可以解析。

3. 如果您想要可以解析的 url，則需要區分絕對 url 和非絕對 url，並檢查“方案”是否是您可以處理的。

4. 在沒有實際嘗試打開資源的情況下，您無法檢查 url 是否工作（即它對應於可檢索資源）。 由於多種可能的原因，即使這也不是最終的測試。

Answer 2

您可能會遇到災難性回溯的情況：檢查您的正則表達式是否與多個組中的相同字符不匹配，從而導致必須檢查的組合數量過多。

請參閱這篇文章以獲得解釋。