正则表达式原理和优化

01. 正则匹配原理

最近工作中用到了很多正则匹配。才学习了正则表达式匹配原理以及优化。

1. 解析引擎眼中的字符串组成

对于字符串“DEF”而言，包括D、E、F三个字符和 0、1、2、3 四个数字位置：0D1E2F3，对于正则表达式而言所有源字符串，都有字符和位置。正则表达式会从0号位置，逐个去匹配的。

2. 占有字符和零宽度

正则表达式匹配过程中，如果子表达式匹配到的是字符内容，而非位置，并被保存到最终的匹配结果中，那么就认为这个子表达式是占有字符的；如果子表达式匹配的仅仅是位置，或者匹配的内容并不保存到最终的匹配结果中，那么就认为这个子表达式是零宽度的。占有字符是互斥的，零宽度是非互斥的。也就是一个字符，同一时间只能由一个子表达式匹配，而一个位置，却可以同时由多个零宽度的子表达式匹配。常见零宽字符有：^，(?=)等

3. 正则表达式匹配过程详解实例

我们掌握了上面几个概念，我们接下来分析下几个常见的解析过程。结合使用软件regexBuddy来分析。

Demo1:

源字符DEF,对应标记是：0D1E2F3，匹配正则表达式是：/DEF/

过程可以理解为：首先由正则表达式字符 /D/ 取得控制权，从位置0开始匹配，由 /D/ 来匹配“D”，匹配成功，控制权交给字符 /E/ ；由于“D”已被 /D/ 匹配，所以 /E/ 从位置1开始尝试匹配，由 /E/ 来匹配“E”，匹配成功，控制权交给 /F/ ；由 /F/ 来匹配“F”，匹配成功。

Demo2:

源字符DEF,对应标记是：0D1E2F3，匹配正则表达式是：/D\w+F/

过程可以理解为：首先由正则表达式字符 /D/ 取得控制权，从位置0开始匹配，由 /D/ 来匹配“D”，匹配成功，控制权交给字符 /\w+/ ；由于“D”已被 /D/ 匹配，所以 /\w+/ 从位置1开始尝试匹配，\w+贪婪模式，会记录一个备选状态，默认会匹配最长字符，直接匹配到EF，并且匹配成功，当前位置3了。并且把控制权交给 /F/ ；由 /F/ 匹配失败，\w+匹配会回溯一位，当前位置变成2。并把控制权交个/F/，由/F/匹配字符F成功。因此\w+这里匹配E字符,匹配完成！

参考《http://www.jb51.net/article/73403.htm》

02. 正则表达式性能优化方法

其实主要是它的“回溯”，减少“回溯”次数（减少循环查找同一个字符次数），是提高性能的主要方法。

思路：

1. 使用正确的边界匹配器（^、$、\b、\B等），限定搜索字符串位置
2. 尽量不适用通配符".";字符使用具体的元字符、字符类（\d、\w、\s等）（推荐）
3. 使用正确的量词（+、*、?、{n,m}），如果能够限定长度，匹配最佳
4. 使用非捕获组、原子组，减少没有必要的字匹配捕获用(?😃，减少内存。

附上正则表达式基础：
《https://deerchao.net/tutorials/regex/regex.htm#lookaround》

还有查看分析的软件：RegexBuddy

匹配实例
《http://www.jb51.net/article/85895.htm》
《http://blog.csdn.net/king_xing/article/details/52771465》

03. 代码优化

Java中一般是使用Patter和Matcher进行正则匹配。
之前写的方法：

/**
 * 匹配str中的正则结果
 *
 * @param regEx 正则式String
 * @param str   待匹配的源字符串
 * @return 返回匹配的捕获组1
 */
public static String regExMatcher(String regEx, String str) {
    Pattern pattern = Pattern.compile(regEx);
    Matcher matcher = pattern.matcher(str);
    return matcher.find() ? matcher.group(1) : "";
}

上面的优化都是针对正则表达式本身的，但是其实正则的损耗还来源于Pattern.compile编译的过程。在这个过程中建立语法分析树。

因此，对于多次执行的相同pattern的匹配工具类，应该将Pattern.compile(regEx);抽取成成员变量，在类中初始化。

Ps: Pattern和String一样，是不可变类，即编译后该对象的内容就确定了，无法修改，只读的，Pattern必然是线程安全的，并发使用没有安全隐患；
在matcher()方法中也并不能对其修改

因此，改为：

/**
 * 匹配str中的正则结果
 *
 * @param regExPattern 已编译好的Pattern模式
 * @param str          待匹配的源字符串
 * @return 返回匹配的捕获组1
 */
public static String regExMatcher(Pattern regExPattern, String str) {
    Matcher matcher = regExPattern.matcher(str);
    return matcher.find() ? matcher.group(1) : "";
}