进行单个字符通配符搜索时，Regex IsMatch 真的很慢

Question

我们遇到这样一种情况，即在开始时使用单个字符进行通配符搜索，然后在通配符之后使用其他字符，并且运行速度非常慢（至少在 c# 中）。 有没有这样做的原因和改进的方法？在几乎所有其他情况下它都更快。

20k 长随机字符串的示例运行 1000 次：

• a.*r1 耗时：1802
• r1.*耗时：9
• r1.*b.*c 耗时：9
• r1f.*b.*c 耗时：16
• a.*r1f.*c 耗时：3199
• a.*r1.*c 耗时：1895
• a.*b.*r1f 耗时：55450

它绝对不是随机字符串，因为尝试了不同的字符串。

模式肯定是，如果第一部分是单个字符，然后是通配符后面的任何字符，它总是慢得多。

--更新--

我想知道 Regex 的工作方式是否是循环查找该单个字符，当它找到它时，它会一直搜索直到结束寻找下一个模式。当它没有找到它时，它会返回第一个字符并开始寻找下一个第一个字符，直到它再次找到第一个匹配并执行一些完整的逻辑，即使它可以跳过它在第一次运行时传递的所有那些字符.

我想我已经通过生成一个不带字符“a”的随机字符串来确认这一点——如果我使用这个字符作为第一个字符，它真的很快，但如果我使用“c”它很慢。即 a.*b.*r1f 在这种情况下是即时的，但 c.*b.*r1f 需要很长时间。

如果想知道您是否可以在正则表达式中以某种方式对其进行优化？

Answer 1

造成这种性能差异的原因在于优化搜索的方式。

当模式以文字字符开头时，在正则表达式引擎的“正常遍历”之前使用快速算法来查找字符串中模式可能成功的可能位置（文字子字符串所在的位置）。然后，正则表达式引擎仅在这些位置测试模式。

这就是为什么以字母 a 开头的模式，对于不包含字母 'a' 的字符串（无论大小）被快速解决（不匹配，整个模式从未测试过)。

现在为什么对于同一种模式，一个以字母a（只有一个文字字符）开头的模式和一个以abcd 开头的模式在大多数情况下会在随机字符串中提供不同的性能。答案很简单，四个字符abcd 的位置比只有a 的位置少。尝试更少的位置 => 更快的结果。

---

还要注意，像a.*b.*c 这样的模式被称为病态模式，因为它可能导致回溯步骤数量的潜在爆炸。如果使用非贪婪量词有时可能会减少问题，则不能保证它总是能提高性能（它不是魔杖）。最好的方法始终是使用适当的字符类、适当的量词和最准确的字符串描述，尽可能地避免.* 或.*?。例如a[^b]*b[^c]*c。