C# 使用大型文档时，正则表达式运行速度非常慢

我需要将内联css样式属性转换为它们的HTML标记等价物。我的解决方案可以工作，但使用Microsoft.Net正则表达式名称空间和长文档（约40页html）运行速度非常慢。我尝试了几种不同的方法，但没有任何有用的结果。我对表达式的执行做了一些包装，但最终只调用了内置的regexreplace方法

我肯定我滥用了正则表达式的贪婪性，但我不确定用一个正则表达式来实现我想要的

我希望能够运行以下单元测试：

[Test]
public void TestCleanReplacesFontWeightWithB()
{
    string html = "<font style=\"font-weight:bold\">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}
[Test]
public void TestCleanReplacesMultipleAttributesFontWeightWithB()
{
    string html = "<font style=\"font-weight:bold; color: blue; \">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}
[Test]
public void TestCleanReplaceAttributesBoldAndUnderlineWithHtml()
{
    string html = "<span style=\"font-weight:bold; color: blue; text-decoration: underline; \">Bold Text</span>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<u><b>Bold Text</b></u>", html);
}
[Test]
public void TestCleanReplaceAttributesBoldUnderlineAndItalicWithHtml()
{
    string html = "<span style=\"font-weight:bold; color: blue; font-style: italic; text-decoration: underline; \">Bold Text</span>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<u><b><i>Bold Text</i></b></u>", html);
}
[Test]
public void TestCleanReplacesFontWeightWithSpaceWithB()
{
    string html = "<font size=\"10\" style=\"font-weight: bold\">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}

[测试]
public void testcleansreplacesfontwortweightwithb（）
{
字符串html=“粗体文本”；
html=Q4.PrWorkflow.Helper.CleanFormatting（html）；
AreEqual（“粗体文本”，html）；
}
[测试]
public void TestCleanReplacesMultipleAttributesFontWeightWithB（）
{
字符串html=“粗体文本”；
html=Q4.PrWorkflow.Helper.CleanFormatting（html）；
AreEqual（“粗体文本”，html）；
}
[测试]
public void TestCleanReplaceAttributesBoldAndUnderlineWithHtml（）的
{
字符串html=“粗体文本”；
html=Q4.PrWorkflow.Helper.CleanFormatting（html）；
AreEqual（“粗体文本”，html）；
}
[测试]
public void TestCleanReplaceAttributesBoldUnderlineAndAlicWithHTML（）
{
字符串html=“粗体文本”；
html=Q4.PrWorkflow.Helper.CleanFormatting（html）；
AreEqual（“粗体文本”，html）；
}
[测试]
public void TestCleanSReplacesFontWeights with spaceWithB（）
{
字符串html=“粗体文本”；
html=Q4.PrWorkflow.Helper.CleanFormatting（html）；
AreEqual（“粗体文本”，html）；
}

我用来实现这个逻辑的常规表达式可以工作，但速度非常慢。c代码中的正则表达式如下所示：

public static IReplacePattern IncludeInlineItalicToITag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</\\2>", "$1<i>$3</i></$2>");
}
public static IReplacePattern IncludeInlineBoldToBTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?font-weight:\\s*bold[^>]*>)(.*?)</\\2>", "$1<b>$3</b></$2>");
}
public static IReplacePattern IncludeInlineUnderlineToUTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?text-decoration:\\s*underline[^>]*>)(.*?)</\\2>", "$1<u>$3</u></$2>");
}

公共静态IReplacePattern，包括InLineItalicToItag（iClinuphtMLFactory工厂）
{
返回factory.CreateReplacePattern（“（]*>）（.*？”，“$1$3”）；
}
公共静态IReplacePattern，包括InLineUnderlineToutag（iCaluphtmFactory工厂）
{
return factory.CreateReplacePattern（（我认为问题在于，如果它找到一个
span
|
font
标记，它没有定义任何样式属性，它将继续查找它，直到文档结束，因为
\*？
。我没有测试它，但将它更改为
[^>]\*？
可能会提高性能

请确保对所有的
\*？
应用该更改；即使是捕获标记之间内容的更改（使用
[^）.NET正则表达式不支持递归构造。PCRE支持，但这在这里并不重要

礼宾员

<font style="font-weight: bold;"> text1 <font color="blue"> text2 </font> text3 </font>

text1 text2 text3

它会被转换成

<b> text1 <font color="blue"> text2 </b> text3 </font>

text1 text2 text3

我的建议是使用适当的标记解析器，并可能对样式标记的值使用regexp

Edit:从头开始。似乎.NET有一个平衡的递归模式的结构。但没有PCRE/perl中的功能强大

(?<N>content) would push N onto a stack if content matches
(?<-N>content) would pop N from the stack, if content matches.
(?(N)yes|no) would match "yes" if N is on the stack, otherwise "no".

（？content）将在内容匹配时将N推到堆栈上
如果内容匹配，（？内容）将从堆栈中弹出N。
（？（N）yes | no）如果N在堆栈上，则匹配“yes”，否则匹配“no”。

详细信息请参见。
胡乱猜测：我相信成本来自备选方案和相应的匹配。
您可能要尝试替换：

"(<(span|font) .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</\\2>", "$1<i>$3</i></$2>"

“（]*>）（.*？”，“$1$2”
（在测试过程中，我发现了奇怪的行为。当在单独的线程中运行regexp时，它会运行得更快。
我有一个sql脚本，我正在使用regexp将它从Go-to-Go拆分为多个部分。
在不使用单独线程的情况下处理此脚本时，它会持续大约2分钟。但在使用多线程时，它只会持续几秒钟。
同意。任何时候您都可以尝试改进正则表达式（无论是为了性能、清晰度还是其他方面），.*是您应该首先查看并尝试消除的内容。我完全同意。我部分继承了更新此代码的内容，因此我尝试使用使用正则表达式的相同模式进行更新-否则我可能不会使用纯正则表达式。在网络中完全可以处理此问题。请参阅正则表达式中的平衡组，它允许您使用例如，在我提供答案之前，我要问：您使用的是什么版本的.NET framework？如果您当前没有使用.NET 3.5，是否值得升级以获得它？
"(<span .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</span>", "$1<i>$2</i></span>"
"(<font .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</font>", "$1<i>$2</i></font>"