为什么我的正则表达式在包含 '\r' 时工作得非常慢答案

【问题标题】：Why does my regex works very slow when it contains '\r'为什么我的正则表达式在包含 '\r' 时工作得非常慢
【发布时间】：2014-05-20 13:44:41
【问题描述】：

我只是想用另一个字符串替换一些 html 中的 header 标签。我的 html 看起来像这样：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">

<html xmlns="http://www.w3.org/1999/xhtml"><head><title>aboutus</title> 

    <header id="headerfasdfasdfasdf">
       <p>Lorem ipsum dolor sit amet, consectetur adipiscing elit. Integer pulvinar commodo lorem, sit amet malesuada.</p>
    </header>

<!-- #include virtual="/html/US/global_header.html" --><script type="text/javascript">

   var header = document.getElementsByTagName("header");

    var len = header.length

    if(len > 1)

    {

    header[0].style.display = "none";

    }
</script>

    <!--ls:begin[component-1400226725207]-->

    <!-- OTHER PART IS CUT FOR BREVITY -->

</html>

我尝试使用正则表达式 <header(.|\n|\r)*<\/header> 对其进行解析，但在我从中删除 |\r 部分之前，它的运行速度非常慢。

我还注意到原始正则表达式适用于不包含  之类的 cmets 的 html。

请注意，我正在使用带有 C# 的 .NET 正则表达式引擎，我的替换代码如下所示：

var regex = @"<header(.|\n|\r)*<\/header>";
var result = Regex.Replace(input, regex, to, RegexOptions.IgnoreCase);

请帮助我了解为什么会出现此问题。

【问题讨论】：

为什么？浏览器不关心 CRLF，你不应该使用 RegEx 来解析 html。为什么不直接从渲染器中获取呢？
相关：stackoverflow.com/a/1732454/2424975
@mplungjan，我知道我不应该这样做，但我对这部分没有任何选择，我只有结果 html 和一些用于插入的部分。我更感兴趣的是为什么这个正则表达式在这部分工作缓慢。
那个正则表达式 not 看起来很安全（是否需要贪婪？），但关于速度，请记住 . 和 RegexOptions.Singleline 将匹配任何字符，包括换行符。跨度>
@Robin 感谢您对单行的建议。为什么它看起来不安全，为什么 '\r' 会减慢它的速度？

标签： c# html regex

【解决方案1】：

如果您的输入得到很好的清理（即，如果您觉得自己 can use regex to parse HTML），这可能会显着提高您的速度：

var regex = @"<header.*?</header>";
var result = Regex.Replace(input, regex, to, RegexOptions.IgnoreCase|RegexOptions.Singleline);

完全避免使用.|\n|\r，你想做什么都有一个标志。
让你的量词变得懒惰*?，因为标题标签可能不会占用你 HTML 的三分之二

当从文件末尾回溯到</header> 时，(.|\n|\r)* 的贪婪使得正则表达式引擎在尝试</header> 之前检查交替的每个元素。您添加到交替中的任何元素都可能需要更多的工作。

【讨论】：

【解决方案2】：

就个人而言，我会使用更简单的表达方式并告诉它 . (dot) 也匹配换行符：-

(?s)(?U)<header.*\/header>

(?s) 表示用 . 匹配换行符以及其他字符。（点）
(?U) 表示匹配尽可能少的字符

【讨论】：

当我在 Regex.Replace 中尝试您的正则表达式时 - 它显示 System.ArgumentException : parsing "(?s)(?U)" - 无法识别的分组构造。
这是 PHP 正则表达式语法，不是 C#/POSIX