使用模式和匹配器的Java正则表达式

我的问题与Java中的正则表达式有关，特别是与给定搜索模式的多个匹配有关。我需要获取的所有信息都在一行中，其中包含一个映射到IP地址的别名（例如SA）。每一个都用逗号分隔。我需要提取每一个

SA "239.255.252.1", SB "239.255.252.2", SC "239.255.252.3", SD "239.255.252.4"

我的前注册医生是这样的：

Pattern alias = Pattern.compile("(\\S+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"");  
Matcher match = alias.matcher(lineInFile)  
while(match.find()) {  
   // do something  
}

这是可行的，但我并不完全满意，因为自从引入这段小代码以来，我的程序已经慢了一点（<1秒），但足以注意到一个不同

---

所以我的问题是，我是否以正确的方式进行这项工作？是否有一种更高效或可能更轻量级的解决方案，而不需要while（match）循环？和/或模式/匹配器类？

如果行中可能不包含除别名定义以外的任何内容，则使用

.match（）

而不是

.find（）

可能会加快对非匹配项的搜索速度。

恐怕您的代码看起来已经相当有效了。 以下是我的版本：

Matcher match = Pattern
                .compile("(\\w+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"")
                .matcher(lineInFile);  
while(match.find()) {  
    //do something  
}

有两种微观优化：

不需要额外保留图案 变量，内联的

对于别名，请搜索word 字符，而不是非空格字符

事实上，如果您进行了大量这样的处理，并且模式从未改变，则应保持编译后的模式不变：

private static final Pattern PATTERN = Pattern
            .compile("(\\w+)\\s+\"(\\d+\\.\\d+\\.\\d+\\.\\d+)\"");

Matcher match = PATTERN.matcher(lineInFile);  
while(match.find()) {  
    //do something  
}

---

更新：我花了一些时间想出了一个更具体的模式，它应该只检测有效的IP地址作为奖励。我知道这很难看，但我猜它相当有效，因为它消除了大部分回溯：

([A-Z]+)\s*\"((?:1[0-9]{2}|2(?:(?:5[0-5]|[0-9]{2})|[0-9]{1,2})\.)
{3}(?:1[0-9]{2}|2(?:5[0-5]|[0-9]{2})|[0-9]{1,2}))

---

（为了可读性而包装，所有反斜杠都需要在java中转义，但您可以在RegExr上测试它，就像在OP的测试字符串中一样）

您可以通过更明确地指定IP地址将regex改进为：

“（\\s{2}\\s+\”（\\d{1,3}）{3}\\d{1,3}\”

尝试使用

StringTokenizer

的性能。它不使用正则表达式。 （如果您担心使用遗留类，那么请查看其源代码并了解它是如何实现的。）

---

我不知道这是否会带来很大的性能优势，但您也可以先这样做

string.split(", ") // separate groups

然后

string.split(" ?\"") // separate alias from IP address

---

在匹配上。

预编译和重用模式对象（IMO）可能是最有效的优化。模式编译可能是一个昂贵的步骤

重用Matcher实例（例如，使用

reset（CharSequence）

）可能会有所帮助，但我怀疑这是否会有很大的不同

---

正则表达式本身无法显著优化。一种可能的加速方法是将

（\d+\.\d+.\d+.\d+）

替换为

（[0-9\.]+）

。这可能会有所帮助，因为它减少了潜在回溯点的数量。。。但是你需要做一些实验来确定。明显的缺点是，它匹配的字符序列不是有效的IP地址。

如果您注意到这段代码的差异小于1秒，那么您的输入字符串必须包含大约一百万（或者至少大约100k）个条目。我认为这是一个相当公平的性能，我看不出在不编写自己的专用解析器的情况下如何显著优化它。

StringTokenizer是一个遗留类，出于兼容性原因保留了它，尽管新代码中不鼓励使用它。建议任何寻求此功能的人改用String的split方法或java.util.regex包。（来源：）也就是说，扫描仪可能是一个不错的选择：是的，我知道。这就是为什么我在我的帖子里放了一张便条。StringTokenizer在内部使用String的

indexOf

和

substring

方法，这样我们就可以看到它是如何工作的，如果它比正则表达式快的话，就可以在我们的新代码中复制它的功能。这就是为什么我在我的帖子中写了一条注释我错过了它。这一定是我的盲日，对不起。所以两张正则表达式通行证比一张快？“我很怀疑。”西尼泽：我也很怀疑。我不使用Java，所以我不能分析它。但这可能值得一试。第一次微观优化的效果可能太小，无法衡量。第二个改变了正则表达式的含义，但不清楚它是否有多大帮助。然而，预编译和重用模式绝对值得。关于第二个微观优化：查看模式类的代码，我认为这实际上可能会减慢模式匹配的速度！是的，这是有道理的。查找小字符类的否定应该比查找lqrge字符类（如\w）更有效。当我在测试中发现\w+比\S+快15-20%时，我会立即更新我的答案。好吧，也许之后我会保留它：-）非常感谢所有花时间回答我问题的人。这对我来说是一个非常有用的练习，因为我还是一个Java新手。顺便说一句，我添加了一些关于模式RegExp的更具体的信息，这似乎有助于解决问题。在我放入的第一个别名/IP对之前，有一个已知字符串（“别名”），这肯定有帮助。再次感谢各位！重用matcher听起来是个坏主意，因为它会破坏多线程场景中的情况（除非引入对象池，这真的是太过分了）

string.split(" ?\"") // separate alias from IP address