寫出高效率的正則表達(dá)式技巧總結(jié)

如果純粹是為了挑戰(zhàn)自己的正則水平，用來實(shí)現(xiàn)一些特效（例如使用正則表達(dá)式計(jì)算質(zhì)數(shù)、解線性方程），效率不是問題；如果所寫的正則表達(dá)式只是為了滿足一兩次、幾十次的運(yùn)行，優(yōu)化與否區(qū)別也不太大。但是，如果所寫的正則表達(dá)式會(huì)百萬次、千萬次地運(yùn)行，效率就是很大的問題了。

 為行文方便，先定義兩個(gè)概念。
誤匹配：指正則表達(dá)式所匹配的內(nèi)容范圍超出了所需要范圍，有些文本明明不符合要求，但是被所寫的正則式“擊中了”。例如，如果使用\d{11}來匹配11位的手機(jī)號(hào)，\d{11}不單能匹配正確的手機(jī)號(hào)，它還會(huì)匹配98765432100這樣的明顯不是手機(jī)號(hào)的字符串。我們把這樣的匹配稱之為誤匹配。
漏匹配：指正則表達(dá)式所匹配的內(nèi)容所規(guī)定的范圍太狹窄，有些文本確實(shí)是所需要的，但是所寫的正則沒有將這種情況囊括在內(nèi)。例如，使用\d{18}來匹配18位的身份證號(hào)碼，就會(huì)漏掉結(jié)尾是字母X的情況。
寫出一條正則表達(dá)式，既可能只出現(xiàn)誤匹配（條件寫得極寬松，其范圍大于目標(biāo)文本），也可能只出現(xiàn)漏匹配（只描述了目標(biāo)文本中多種情況種的一種），還可能既有誤匹配又有漏匹配。例如，使用\w+\.com來匹配.com結(jié)尾的域名，既會(huì)誤匹配abc_.com這樣的字串（合法的域名中不含下劃線，\w包含了下劃線這種情況），又會(huì)漏掉ab-c.com這樣的域名（合法域名中可以含中劃線，但是\w不匹配中劃線）。
精準(zhǔn)的正則表達(dá)式意味著既無誤匹配且無漏匹配。當(dāng)然，現(xiàn)實(shí)中存在這樣的情況：只能看到有限數(shù)量的文本，根據(jù)這些文本寫規(guī)則，但是這些規(guī)則將會(huì)用到海量的文本中。這種情況下，盡可能地（如果不是完全地）消除誤匹配以及漏匹配，并提升運(yùn)行效率，就是我們的目標(biāo)。本文所提出的經(jīng)驗(yàn)，主要是針對(duì)這種情況。
掌握語法細(xì)節(jié)。正則表達(dá)式在各種語言中，其語法大致相同，細(xì)節(jié)各有千秋。明確所使用語言的正則的語法的細(xì)節(jié)，是寫出正確、高效正則表達(dá)式的基礎(chǔ)。例如，perl中與\w等效的匹配范圍是[a-zA-Z0-9_]；perl正則式不支持肯定逆序環(huán)視中使用可變的重復(fù)（variable repetition inside lookbehind，例如(?=.*)abc），但是.Net語法是支持這一特性的；又如，JavaScript連逆序環(huán)視（Lookbehind,如(?=ab)c）都不支持，而perl和python是支持的?！毒ㄕ齽t表達(dá)式》第3章《正則表達(dá)式的特性和流派概覽》明確地列出了各大派系正則的異同，這篇文章也簡要地列出了幾種常用語言、工具中正則的比較。對(duì)于具體使用者而言，至少應(yīng)該詳細(xì)了解正在使用的那種工作語言里正則的語法細(xì)節(jié)。
先粗后精，先加后減。使用正則表達(dá)式語法對(duì)于目標(biāo)文本進(jìn)行描述和界定，可以像畫素描一樣，先大致勾勒出框架，再逐步在局步實(shí)現(xiàn)細(xì)節(jié)。仍舉剛才的手機(jī)號(hào)的例子，先界定\d{11}，總不會(huì)錯(cuò)；再細(xì)化為1[358]\d{9}，就向前邁了一大步（至于第二位是不是3、5、8，這里無意深究，只舉這樣一個(gè)例子，說明逐步細(xì)化的過程）。這樣做的目的是先消除漏匹配（剛開始先盡可能多地匹配，做加法），然后再一點(diǎn)一點(diǎn)地消除誤匹配（做減法）。這樣有先有后，在考慮時(shí)才不易出錯(cuò)，從而向“不誤不漏”這個(gè)目標(biāo)邁進(jìn)。
留有余地。所能看到的文本sample是有限的，而待匹配檢驗(yàn)的文本是海量的，暫時(shí)不可見的。對(duì)于這樣的情況，在寫正則表達(dá)式時(shí)要跳出所能見到的文本的圈子，開拓思路，作出“戰(zhàn)略性前瞻”。例如，經(jīng)常收到這樣的垃圾短信：“發(fā)*票”、“發(fā)#漂”。如果要寫規(guī)則屏蔽這樣煩人的垃圾短信，不但要能寫出可以匹配當(dāng)前文本的正則表達(dá)式 發(fā)[*#](?:票|漂)，還要能夠想到 發(fā).(?:票|漂|飄)之類可能出現(xiàn)的“變種”。這在具體的領(lǐng)域或許會(huì)有針對(duì)性的規(guī)則，不多言。這樣做的目的是消除漏匹配，延長正則表達(dá)式的生命周期。
明確。具體說來，就是謹(jǐn)慎用點(diǎn)號(hào)這樣的元字符，盡可能不用星號(hào)和加號(hào)這樣的任意量詞。只要能確定范圍的，例如\w，就不要用點(diǎn)號(hào)；只要能夠預(yù)測重復(fù)次數(shù)的，就不要用任意量詞。例如，寫析取twitter消息的腳本，假設(shè)一條消息的xml正文部分結(jié)構(gòu)是span class=”msg”>…/span>且正文中無尖括號(hào)，那么span class=”msg”>[^]{1,480}/span>這種寫法的思路要好于span class=”msg”>.*/span>，原因有二：一是使用[^]，它保證了文本的范圍不會(huì)超出下一個(gè)小于號(hào)所在的位置；二是明確長度范圍，{1,480}，其依據(jù)是一條twitter消息大致能的字符長度范圍。當(dāng)然，480這個(gè)長度是否正確還可推敲，但是這種思路是值得借鑒的。說得狠一點(diǎn)，“濫用點(diǎn)號(hào)、星號(hào)和加號(hào)是不環(huán)保、不負(fù)責(zé)任的做法”。
不要讓稻草壓死駱駝。每使用一個(gè)普通括號(hào)()而不是非捕獲型括號(hào)(?:…)，就會(huì)保留一部分內(nèi)存等著你再次訪問。這樣的正則表達(dá)式、無限次地運(yùn)行次數(shù)，無異于一根根稻草的堆加，終于能將駱駝壓死。養(yǎng)成合理使用(?:…)括號(hào)的習(xí)慣。
寧簡勿繁。將一條復(fù)雜的正則表達(dá)式拆分為兩條或多條簡單的正則表達(dá)式，編程難度會(huì)降低，運(yùn)行效率會(huì)提升。例如用來消除行首和行尾空白字符的正則表達(dá)式s/^\s+|\s+$//g;，其運(yùn)行效率理論上要低于s/^\s+//g; s/\s+$//g; 。這個(gè)例子出自《精通正則表達(dá)式》第五章，書中對(duì)它的評(píng)論是“它幾乎總是最快的，而且顯然最容易理解”。既快又容易理解，何樂而不為？工作中我們還有其它的理由要將C==(A|B)這樣的正則表達(dá)式拆為A和B兩條表達(dá)式分別執(zhí)行。例如，雖然A和B這兩種情況只要有一種能夠擊中所需要的文本模式就會(huì)成功匹配，但是如果只要有一條子表達(dá)式（例如A）會(huì)產(chǎn)生誤匹配，那么不論其它的子表達(dá)式（例如B）效率如何之高，范圍如何精準(zhǔn)，C的總體精準(zhǔn)度也會(huì)因A而受到影響。
巧妙定位。有時(shí)候，我們需要匹配的the，是作為單詞的the（兩邊有空格），而不是作為單詞一部分的t-h-e的有序排列（例如together中的the）。在適當(dāng)?shù)臅r(shí)候用上^，$，\b等等定位錨點(diǎn)，能有效提升找到成功匹配、淘汰不成功匹配的效率。

以上就是總結(jié)了幾條提升正則表達(dá)式運(yùn)行效率的經(jīng)驗(yàn)（工作中學(xué)到的，看書學(xué)來的，自己的體會(huì)），整理在這里。如果您有其它的經(jīng)驗(yàn)而這里沒有提及，歡迎討論。