尝试在java中使用正则表达式时堆栈溢出

Question

我已经阅读了一些关于如何优化正则表达式的文章，但没有一个答案（较少的组，使用 {X,Y} 而不是 *）似乎阻止我的正则表达式出现堆栈溢出错误。

我正在尝试通过文件进行动态搜索。假设我在一个非常大（2-4 mb）的文件中搜索“我打赌你找不到我”。我的正则表达式生成器会生成正则表达式：

i(?:.|\s)*?bet(?:.|\s)*?you(?:.|\s)*?cannot(?:.|\s)*?find(?:.|\s)*?me

这个正则表达式的想法是，无论单词之间有什么字符或空格，它都能找到准确的短语。但是，当我尝试使用时：

Pattern p = Pattern.compile(generatedRegex, Pattern.MULTILINE);
Matcher m = p.matcher(fileContentsAsString);
while (m.find()) {
System.out.println(m.group())
}

我收到堆栈溢出错误。我知道正则表达式使用递归，但似乎这不是正则表达式的坏处。有什么办法可以优化这个正则表达式吗？谢谢！

答案：

Pattern p = Pattern.compile("i(?:.*)bet(?:.*)you(?:.*)cannot(?:.*)find(?:.*?)me", Pattern.DOTALL);

是我最终使用的模式/正则表达式。似乎很快并且不再出现堆栈溢出异常

Answer 1

我认为由于你不情愿的限定词(*?)，你得到了很多回溯。防止回溯的一种方法是使用原子分组(?>X) 和/或所有格限定符(*+)。

根据 cmets，您还希望仅捕获最接近“下注”的“i”以减少整体匹配的长度。由于您希望获得与其余单词最接近的“i”，因此在我为单词 2 添加负前瞻的地方，您还可以在其旁边为单词 1 放置负前瞻。换句话说，(?!bet) 将变为(?!i)(?!bet) 或(?!i|bet)。我已编辑以下代码以包含此要求。

String fileContentsAsString = "ii ... bet ... you, ibetyouyou";
String regex = "i(?>(?!i|bet).)*+bet(?>(?!you).)*+you";
Pattern p = Pattern.compile(regex, Pattern.DOTALL);
Matcher m = p.matcher(fileContentsAsString);
while (m.find()) {
    System.out.println(m.group());
}

输出：

我……打赌……你

我是你

解释 (source):

“不情愿量词的工作方式是，每次它应该尝试匹配时，它首先尝试让正则表达式的下一部分匹配。因此它在每次迭代开始时有效地进行前瞻，这可以变得相当昂贵，尤其是当量化部分每次迭代只匹配一个字符时，比如 .*?"