为什么这个正则表达式很贪婪？答案

【问题标题】：Why is this regex being greedy?为什么这个正则表达式很贪婪？
【发布时间】：2009-11-14 15:01:34
【问题描述】：

我正在尝试提取“”中包含 /thumb/ 的所有链接。其实我只需要使用图像src。我不知道图片是否会以jpg结尾或者是否会有区分大小写的问题等等。我真的只关心完整的链接。

m = Regex.Match(page, @"""(.+?/thumbs/.+?)""");
//...
var thumbUrl = m.Groups[1].Value;

我的完整代码

    var page = DownloadWebPage(url);
    var reg = new Regex(@"Elements\s+\((.*)\)", RegexOptions.Multiline);
    var m = reg.Match(page);
    var szEleCount= m.Groups[1].Value;
    int eleCount = int.Parse(szEleCount);

    m = Regex.Match(page, @"""(.+?/thumbs/.+?)""");
    while (m.Success)
    {
        var thumbUrl = m.Groups[1].Value;
        //i break here to see a problem
        m = m.NextMatch();
    }

thumbUrl 看起来像

center\"> ... 很多文字，没有 /thumbs/ ... src=\"http://images.fdhkdhfkd.com/thumbs/dfljdkl/22350.jpg

【问题讨论】：

仅供参考，Multiline 选项对您没有任何帮助。如果您希望点与行分隔符匹配，则应改用 Singleline。

标签： c# regex non-greedy

【解决方案1】：

非贪婪的正则表达式可能会很慢，因为引擎必须执行大量回溯。

这个只使用了贪婪的表达方式：

@"""([^""]*/thumbs/[^""]*)"""

它匹配尽可能多的非双引号，而不是匹配任何内容。

【讨论】：

【解决方案2】：

勉强（非贪婪）量词的工作方式是，一旦开始匹配，它就会一有机会就停止。您要做的是匹配符合您标准的最少文本数量，这不是一回事；您仍然必须确保它不会在您想要它之前 start 匹配。正如其他人所建议的那样，您可以通过将正则表达式中的 .+? 替换为与引号不匹配的内容来做到这一点，例如 [^""]+。

但这仍然会给您带来性能问题。在您的示例中，正则表达式在看到 center"> 中的引号时开始匹配；当它到达src=" 的报价时（假设您已将.+? 更改为[^""]+），它将中止匹配尝试继续前进。从src=" 中的引用开始的下一次尝试将成功。所以你现在得到了正确的结果，但你仍然在第一次失败的匹配尝试上浪费了很多时间。

编写快速正则表达式的关键是确保，如果匹配尝试失败，它会尽快失败。例如，我认为可以安全地假设您不希望在" 和/thumbs/ 之间使用任何尖括号，因此将它们添加到您不想匹配的字符集中：[^""<>]+。现在，任何从 center"> 中的引用开始的匹配尝试都将在下一个位置中止。

您可以做其他事情来进一步优化正则表达式，包括原子组和负前瞻，但这可能会尽可能快：

@"""([^""<>]+/thumbs/[^""<>]+)"""

【讨论】：

【解决方案3】：

如果您要解析 (X)HTML，请考虑使用适当的解析器。

请参阅：What is the best way to parse html in C#?，了解有关如何执行此操作的一些 C# 示例。

【讨论】：

【解决方案4】：

问题是.+？也消耗 "s，因此它继续匹配 src 属性之外的内容。改用它：

m = Regex.Match(page, @"""([^""]+/thumbs/[^""]+)""");

【讨论】：

【解决方案5】：

通常当您有正则表达式时，您使用静态字段并指定RegexOptions.Compiled 选项：

static Regex template = new Regex(@"""(.+?/thumbs/.+?)""", RegexOptions.Compiled | RegexOptions.Multiline)

【讨论】：

会自动缓存一定数量的 Regex 对象，因此在字段中存储一个对象不一定会对性能产生任何影响。此外，Compiled 正则表达式可能更快，但创建它们的成本要高得多；您是否应该使用该选项取决于您如何使用正则表达式。 blogs.msdn.com/bclteam/archive/2004/11/12/256783.aspx