正则表达式-使用笔记

1. 正则使用不当，会导致CPU飙升；
2. 场景区分，是判断存在还是提取内容；
3. 匹配范围，是匹配部分内容还是整行；

一、初识正则

正则表达式 – 语法 | 菜鸟教程

sparksql 正则匹配总结

https://www.cnblogs.com/he1m4n6a/p/10256163.html

二、匹配模式 - 贪婪、懒惰、独享

JAVA进阶篇（13）— 正则表达式的性能优化（正则表达式导致CPU飙升）

正则表达式的三种模式：贪婪模式、懒惰模式、独占模式

贪婪模式
默认模式，尝试匹配尽可能多的字符。
常用量词：`*`, `+`, `?`, `{n,}` 等。
场景举例：当你想要匹配一个字符串中尽可能长的特定模式时。
例子：`<.*>` 用于匹配从一个 `<` 到下一个 `>` 之间的所有内容。

懒惰模式
最小匹配，尝试匹配尽可能少的字符。
常用量词：`*?`, `+?`, `??`, `{n,}?` 等。
场景举例：当你想要匹配最短的可能字符串时
例子：`<.*?>` 用于匹配 `<` 和最近的一个 `>` 之间的内容。

独享模式
类似于贪婪模式，但是一旦匹配，就不会回溯。
常用量词：`*+`, `++`, `?+`, `{n,}+` 等。
场景举例：当你确定不需要回溯时，或者当你想要避免正则表达式中的回溯导致的性能问题时，使用独享模式会更高效。
例子：`<.*+>` 用于匹配 `<` 之后的所有内容，直到字符串结束，而不尝试匹配闭合的 `>`。

三、回溯原理

导致性能下降最主要原因：

1. .* 会导致大量回溯
2. | 分支操作

https://zhuanlan.zhihu.com/p/27417442

四、优化正则

优化方向 - 是用于判断存在，还是用于提取内容

• 正则表达式：规则越多，要匹配的越多，性能越差；
• 被测串长度：越长，搜索约耗时，性能越差；
• 被测数据量：越多，性能差异约明显；
• 预处理：减少匹配规则
• 替代正则：用非正则函数实现

1. 使用正确的量词
不随意使用+或*，它会匹配尽可能多的字符，这可能导致回溯，特别是当模式不匹配时；

改用非贪婪量词（如 `*?` 和 `+?`）；尤其避免：.*、.+

用于判断时, .*不要放在规则最后；

2. 使用更为精确的字符类
不随意使用.*来匹配字段，这个表达式包含了很大的搜索空间，容易发生不必要的匹配和回溯，导致匹配性能下降；

2. 消除不必要的字符组
例如：[@]简化为@ 、[0-9]可以简化为\d

3. 锚定匹配位置
使用锚点（如 `^` 和 `$`）来指定匹配的开始和结束位置，可以减少搜索空间，提高匹配效率；

使用.*开头的表达式应该在最前面加^，例如：.*abc  vs  ^.*abc

“^(?:abc|123)”比“^123|^abc”效率高，而“^(abc)”比“(^abc)”效率更高

^(?:aa|bb|cc)  效率高于 ^(aa|bb|cc).* 

4. 优化多选结构
尽量避免多选结构，a|b|c 优化为 [abc] 
提取开头的必需元素， (?:this|that) 优化为 th(?:is|at)

5. 优化捕获组

如果只是为了匹配文本而不关心匹配的具体内容，尽量不要使用捕获组;

当要捕获组的时候，使用非捕获型括号(?:)，因为使用(?:)可以匹配想要的内容，但不捕获到组里，可以节省资源提高效率；

6. 避免使用嵌套的量词
如 `(a+)+`

7. 使用非正则函数
如果你的操作可以用字符串处理方法完成（比如`startsWith`、`endsWith`、`contains`），那么不使用正则表达式通常会更快。

8. 逆向思维
正向判断的正则不好实现，是否可以考虑反向的；

五、常用工具

regex101: build, test, and debug regex

正则表达式在线测试 | 菜鸟工具

六、性能比对

1. 实际运行任务测试

• 使用和不使用正则比对
• 多个不同的正则比对

2. 使用正则工具