使用正则要注意的几点

在CSDN上看到一篇关于文章关键字优化的帖子，其中“路过”的回复提到了几点 值得学习

 

1、不要使用静态方法，而一定要显式的声明Regex对象 
原因是静态方法会临时创建一个Regex对象，用它来调用请求的方法，然后弃用这个对象。而静态方法每次调用，都必须重新检查正则表达式，所以存在效率缺陷 
虽然默认情况下，.NET Framework做了缓存处理，但默认只缓存15个正则表达式，尽管可以通过 
Regex.CacheSize = 123; 
来调整，但这并不是解决效率问题的根本方法 

2、不要在循环体中声明Regex对象 
因为这样使用，每次都要重新创建对象，重新对正则表达式进行编译，大大降低效率 

3、如果正则需要在循环中调用，且循环次数比较多，正则要先在循环体外预编译，RegexOptions.Compiled  
预编译会延长编译时间，占用更多的内存，但会加速匹配过程。一般在数据源较大、正则复杂、频繁调用、循环中使用时，可以考虑进行预编译 
当然，在多处调用，且调用频繁的情况下，可以考虑封装到assembly中 

4、除非对源字符串的结构非常清楚，否则不要轻易使用.*?这种非贪婪模式，非贪婪模式(exp)*?以及量词的嵌套使用不当，会造成无限循环回溯，通常是正则效率陷阱的根源，尽量使用排除型字符组[^…]和否定的正向环视(?!exp)结合贪婪模式来实现 
通常情况下， <.+?>是没有 <[^>]*>的效率高的 

5、匹配失败不需要回溯的子表达式，用固化分组(?>…)加速失败过程，同时避免回溯 
那么 <[^>]*>通常还可以通过固化分组的方式进行优化 <(?>[^>]*)> 

所以下面这一部分代码 

C# code

for (int i = 0; i < str1.Count; i++)
{
tmp = new StringBuilder(str1[i]);
if (Regex.Replace(tmp.ToString(), @"<.+?>", "").Length > 5)
//可以替换为
Regex tagReg = new Regex(@"<(?>[^>]*)>", RegexOptions.Compiled);
for (int i = 0; i < str1.Count; i++)
{
tmp = new StringBuilder(str1[i]);
if (tagReg.Replace(tmp.ToString(), "").Length > 5)

6、以“|”取“或”的分支结构，对效率的影响也很大，所以通常情况下，使用分支结构时，要尽可能的抽象出相同的规律，对分支的复杂度加以简化 

C# code

(<a .+?</a>)|(<pre(>|\s).+?</pre>)
//可以简化为
<(a|pre)\b(?:(?!</?\1).)*</\1>

7、在循环中使用，当捕获组没有必须使用的理由时，使用非捕获组代替 
捕获组匹配成功后，会将匹配的内容保存到一个组里，供以后引用，所以无意义的捕获组，会占用内存，降低效率 

所以循环体中 

C# code

reg2 = new Regex(@"((^|>)[^<]+?)(" + _tag + ")", RegexOptions.IgnoreCase);  //以及其后的一行
tmp.Insert(mat2.Index, mat2.Groups[1].Value + "<a href='/tag/" + mat2.Groups[2].Value + ".htm'>" + mat2.Groups[2].Value + "</a>");
//可以替换为
reg2 = new Regex(@"(?<=(?:^|>)(?:(?!" + _tag + ").)*)" + _tag , RegexOptions.IgnoreCase);
tmp.Insert(mat2.Index, "<a href='/tag/" + mat2.Value + ".htm'>" + mat2.Value + "</a>");

受限于楼主的实现思路，reg2这个正则，必须是动态生成的，所以没有办法提取到循环体外，此处对性能的影响较大 

8、另外，在.NET中动态生成正则表达式时，为了避免存在变量中有正则中具体特殊意义的字符，而导致正则解析失败，抛异常的问题，可以用Regex.Escape()方法对变量进行预处理 

C# code

reg2 = new Regex(@"(?<=(?:^|>)(?:(?!" + Regex.Escape(_tag) + ").)*)" + Regex.Escape(_tag) , RegexOptions.IgnoreCase);