正则表达式搜索模式包含 (?:.|\s)*?需要越来越长的时间

Question

我的正则表达式匹配的时间越来越长（第 5 次大约需要 30 秒），但需要应用大约 500 轮匹配。 我怀疑灾难性的回溯。 请帮忙！我该如何优化这个正则表达式：

String regex = "<tr bgcolor=\"ffffff\">\\s*?<td width=\"20%\"><b>((?:.|\\s)+?): *?</b></td>\\s*?<td width=\"80%\">((?:.|\\s)*?)(?=(?:</td>\\s*?</tr>\\s*?<tr bgcolor=\"ffffff\">)|(?:</td>\\s*?</tr>\\s*?</table>\\s*?<b>Tags</b>))";

编辑：因为不清楚（我的错）：我试图通过提取两个搜索组并随后添加格式来获取一个 html 格式的文档并重新格式化。

Answer 1

替换(?:.|\\s)+? 效率非常低，因为它涉及太多回溯。

基本上，这种模式的所有变体都非常低效：(?:.|\s)*?、(?:.|\n)*?、(?:.|\r\n)*? 以及贪婪的对应物（(?:.|\s)*、(?:.|\n)*、(?:.|\r\n)*）。 (.|\s)*? 可能是最糟糕的。

为什么？

. 和\s 这两个选项可以匹配相同位置的相同文本，两者都至少匹配常规空格。请参阅 this demo 完成 3555 步和 .*? demo（使用 s 修饰符）完成 1335 步。

Java 中的(?:.|\n)*? / (?:.|\n)* 之类的模式通常会导致Stack Overflow issue，这里的主要问题与使用交替（已经单独导致回溯）逐个字符匹配，然后是组用未知长度的量词修改。虽然一些正则表达式引擎可以应对这种情况并且不会抛出错误，但这种类型的模式仍然会导致速度变慢并且不建议使用（仅在 ElasticSearch Lucene 正则表达式引擎中，(.|\n) 是匹配任何字符的唯一方法）。

解决方案

如果您想使用正则表达式匹配任何字符，包括空格，请使用

[\\s\\S]*?

或者使用(?s)（或Pattern.DOTALLMatcher选项）启用单行模式，然后使用.（例如(?s)start(.*?)end）。

注意：要操作 HTML，请使用专用解析器，例如 jsoup。这是一个讨论 Java HTML parsers 的 SO 帖子。