正则表达式 - 替换太慢答案

【问题标题】：Regex - Replace is too slow正则表达式 - 替换太慢
【发布时间】：2016-11-23 16:39:57
【问题描述】：

在我的 Rss Feeds 阅读系统上，我需要删除任何现有的脚本块，因为有些人说这会混淆 XmlReader。

为此，我正在编写我在网上找到的这段代码：

allXml = Regex.Replace(allXml, "(.*)<script type='text/javascript'>.+?</script>(.*)", "$1$2");

但这太慢了……有什么方法可以做到吗？我已经尝试过先进行匹配，但这同样慢，如下所示：

Match rgx = Regex.Match(allXml, "(.*)<script type='text/javascript'>.+?</script>(.*)");

if (rgx.Success)
    allXml = Regex.Replace(allXml,"(.*)<script type='text/javascript'>.+?</script>(.*)","$1$2");

【问题讨论】：

allXml 的大小是多少？
这工作正常，你没有type="text/javascript"（双引号）？或空格。
尝试了解您从 web 获取的代码。它实际上做了什么。这样，您将清楚自己实际在做什么。在这里你正在寻找(everything)Javascript(everything) 当然，考虑到正则表达式搜索技术的性质，这需要时间。
我建议您搜索脚本块并将其替换为不会影响您的代码的内容。例如空白注释或换行符。
第一个(.*)是罪魁祸首，使用Regex.Replace(allXml, "(?s)<script type='text/javascript'>.*?</script>", "")。但最好的方法是使用 HTML 解析器，例如 HtmlAgilityPack。

标签： regex rss feed xmlreader rss-reader

【解决方案1】：

第一个(.*) 立即抓取整行（因为* 是一个贪婪的量词），然后开始回溯以适应所有后续模式。如果你的字符串是很长的一行，几兆字节长，这可能会给引擎带来问题，因为它必须执行很多步骤才能为模式中定义的每个捕获组找到合适的字符串块。

如果您想要一个快速而肮脏的正则表达式修复，请丢弃(.*)s，然后使用

string res = Regex.Replace(allXml, "(?s)<script type='text/javascript'>.*?</script>", "")

删除<script>...</script> 子字符串。请注意 (?s) 是 RegexOptions.Singleline (DOTALL) 修饰符内联等效项，因此 . 也可以匹配换行符。

不过，最好的方法是使用 HTML 解析器，例如 HtmlAgilityPack。

【讨论】：