Java中的正则表达式速度

Question

大量字符串的一些示例挂钟时间：

.split("[^a-zA-Z]"); // .44 seconds
.split("[^a-zA-Z]+"); // .47 seconds
.split("\\b+"); // 2 seconds

对急剧增加的任何解释？我可以将处理器中的 [^a-zA-Z] 模式想象为一组四个比较操作，其中所有四个比较操作都只有在真实情况下才会发生。 \b 呢？有人对此有什么要权衡的吗？

Answer 1

首先，拆分一个或多个零宽度断言是没有意义的！ Java 的正则表达式在合理优化方面不是很聪明——而且我是慈善的。

其次，不要在 Java 中使用 \b：它会搞砸并且与 \w 不同步。

有关此内容的更完整说明，尤其是如何使其与 Unicode 一起使用，请参阅this answer。

Answer 2

\b 是一个与[^A-Za-z] 根本不同的零宽度断言。因为\b 是作为 if/then 实现的（请参阅下面的 tchrist 的评论），所以检查每个字符串中的每个字母可能会做更多的工作。此外，加号会导致回溯，这会成倍增加成本。

此外，当您在单词边界上进行拆分时，与仅在 [^a-zA-Z]+ 上拆分相比，您将匹配更多的位置。这将导致分配更多的字符串，这也将花费更多的时间。 要看到这一点，试试这个程序：

import java.lang.String;

class RegexDemo {
    private static void testSplit(String msg, String re) {
        String[] pieces = "the quick brown fox".split(re);
        System.out.println(msg);
        for (String s : pieces) {
            System.out.println(s);
        }
        System.out.println("----");
    }

    public static void main(String args[]) {
        testSplit("boundary:", "\\b+");
        testSplit("not alpha:", "[^A-Za-z]+");
    }
}

可能不相关，当您使用 String.split() 时，必须为每次使用编译正则表达式。 如果您将正则表达式预编译为模式，例如，

Pattern boundary = Pattern.compile("\\b+");

然后使用boundary.split(testString) 进行拆分，您将节省为每个测试字符串编译正则表达式的成本。因此，可以想象，“\b+”的编译比其他模式的编译要慢，您可以在这里使用预编译的习语进行测试，尽管这在我看来不太可能作为解释。

有关正则表达式性能的更多信息，请阅读 Russ Cox http://swtch.com/~rsc/regexp/ 的这些文章并查看 http://www.regular-expressions.info/。