Java 在正则表达式中使用通配符会导致扫描效率低下

我有一个文本文件（大于7GB），其中填充了重复的行，如下所示，其中每行10.00和2.00可能不同：

startline money earned 10.00 "300 plus nums n words here" money start 2.00 more words

我想获得值10.00和2.00

我的正则表达式如下所示：

money earned ([0-9\.]+).*money start ([0-9\.]+)

但这是荒谬的效率低下。我花了将近30分钟扫描了1%的文本文件！似乎是

*

导致了这种效率低下。因此，我选择使用两个单独的正则表达式行来获取这些值，如下所示，这同样有效，而且效率更高

money earned ([0-9\.]+) //this is line 1 capturing 10.00
money start ([0-9\.]+)  //this is line 2 capturing 2.00

但是这会导致赚来的钱（10.00）首先被捕获，因为它是每行的第一部分，钱开始（2.00）最后是第二部分

---

我想扭转这一局面，并能够为每一行首先捕获金钱起点（2.00），然后捕获金钱收益（10.00）。有没有办法我可以把正则表达式倒过来，从后面开始，移到前面。或者，无论如何，我可以克服用一行正则表达式扫描时效率低下的问题

您是否能够在java程序接管之前预处理您的文件

我使用您的示例作为模板创建了一个7.1GB文件。然后，我使用grep对其进行预处理，以创建一个中介文件，该文件可以更容易地由java处理

time grep -Eo 'money (earned|start) \d+\.\d+' large_file.txt > results.txt

real    3m12.306s
user    3m7.701s
sys     0m3.222s

创建

results.txt

文件只需大约三分钟，仅168M，格式如下：

money earned 10.00
money start 2.00
money earned 10.00
money start 2.00 
money earned 10.00
money start 2.00

---

您是否能够在java程序接管之前预处理您的文件

我使用您的示例作为模板创建了一个7.1GB文件。然后，我使用grep对其进行预处理，以创建一个中介文件，该文件可以更容易地由java处理

time grep -Eo 'money (earned|start) \d+\.\d+' large_file.txt > results.txt

real    3m12.306s
user    3m7.701s
sys     0m3.222s

创建

results.txt

文件只需大约三分钟，仅168M，格式如下：

money earned 10.00
money start 2.00
money earned 10.00
money start 2.00 
money earned 10.00
money start 2.00

这是你的问题。这是一场贪婪的比赛。这意味着它在回溯之前开始尽可能多的匹配，并尝试更短的匹配以允许剩余的正则表达式匹配。因此，如果您有大量数据，或者有很长的行（甚至是很长的字符串，取决于

是否匹配换行符），这可能需要一些时间。这还取决于数据的外观。如果在最后一次

金钱启动之后出现大量文本，则需要更长的时间。如果行中有多个
money start
，则跳过除最后一个之外的所有内容

您可以尝试使用
*？
来代替，这是一种惰性匹配，即，它从尽可能少的代码开始并扩展它。在许多情况下，这要快得多

这是你的问题。这是一场贪婪的比赛。这意味着它在回溯之前开始尽可能多的匹配，并尝试更短的匹配以允许剩余的正则表达式匹配。因此，如果您有大量数据，或者有很长的行（甚至是很长的字符串，取决于
是否匹配换行符），这可能需要一些时间。这还取决于数据的外观。如果在最后一次
金钱启动之后出现大量文本，则需要更长的时间。如果行中有多个
money start
，则跳过除最后一个之外的所有内容

您可以尝试使用
*？
来代替，这是一种惰性匹配，即，它从尽可能少的代码开始并扩展它。在许多情况下，这要快得多。
您尝试过这个正则表达式吗<代码>金钱（？：挣得的开始）（[0-9\.]+）
？您是将整个文件作为一个7GB字符串读取，还是一次读取一行？字符串解析是否允许
匹配新行？您需要提供更多的细节。您是一次编译
模式并重用它，还是每次阅读一行内容时都重新创建它？@AJNeufeld一次一行。当我这样做的时候，我试图跳过所有的数百行，从同一行开始。这些线路有一些敏感数据。对不起，我们不是要求你发布敏感数据。拿出你的代码，把它剥离到能再现你的问题的最低限度，然后发布。我们可以获取代码，修改它，从我们自己的7GB日志文件中搜索一些类似的数据，并验证其效率低下，这样我们就可以确定瓶颈实际是什么，而不仅仅是猜测。您尝试过这个正则表达式吗<代码>金钱（？：挣得的开始）（[0-9\.]+）
？您是将整个文件作为一个7GB字符串读取，还是一次读取一行？字符串解析是否允许
匹配新行？您需要提供更多的细节。您是一次编译
模式并重用它，还是每次阅读一行内容时都重新创建它？@AJNeufeld一次一行。当我这样做的时候，我试图跳过所有的数百行，从同一行开始。这些线路有一些敏感数据。对不起，我们不是要求你发布敏感数据。拿出你的代码，把它剥离到能再现你的问题的最低限度，然后发布。我们可以获取代码，修改它，从我们自己的7GB日志文件中搜索一些类似的数据，并验证其效率低下，这样我们就可以确定瓶颈实际是什么，而不仅仅是猜测。您是否尝试先用Java直接处理文件，以复制问题？您是否尝试先用Java直接处理文件，复制这个问题？