Java Perl和Php中regexp实现的不同效率

在Java中：

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

---

很久以前，我写了一个代码，下载一个网页，然后解析它以找到一个特定的值。我使用了这样的regexp，一切都很顺利

Pattern p = Pattern.compile("<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>", Pattern.DOTALL);
Matcher m = p.matcher(page);
m.find();

Pattern p=Pattern.compile（“%FOO:.*？（.*？.*”，Pattern.DOTALL）；
匹配器m=p.Matcher（第页）；
m、 查找（）；

今天网页改变了，字符串FOO不再存在，突然间m.find（）不再返回，阻塞了我的整个应用程序

然后我开始调查并进行一些调试，发现对于一个普通的html页面（200kb，3000行），如果存在FOO，上面的regexp工作速度很快，否则需要几个小时

然后我说。。好吧，也许这个表达式的复杂性证明了需要等待很长时间。但是我想验证我的假设，所以我准备了一些其他语言的测试，并稍微修改了上面的模式

在我将网页保存在一个文件中并对其进行修改后，我将FOO插入了它应该位于的位置。然后我写了4个测试：

将FOO与DOT_ALL匹配

将条形图与点阵图全部取消匹配

不带点球就不匹配FOO

不带点的取消匹配条

您可以在此处访问测试页面：

在perl中：

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

cat page.html | perl-e'$str=do{local$/；}$str=~/.*FOO:.*（.*？）.*？/s；打印“$1\n”
cat page.html | perl-e'$str=do{local$/；}$str=~/.*条：.*（.*？）.*？/s；打印“$1\n”
cat page.html | perl-e'$str=do{local$/；}$str=~/.*FOO:.*；打印“$1\n”
cat page.html | perl-e'$str=do{local$/；}$str=~/.*条：.*（.*？）.*/；打印“$1\n”

测试1、2和4立即返回。测试3需要19秒才能完成

在PhP中：

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

preg_match（'#.*？FOO:.*？（.*？.*？。#s'，file#get_contents（'page.html'），$vals）；
preg#u match（“#.*”栏：.*（.*？.*？。？#s”，文件获取内容（'page.html'），$vals）；
preg#u match（'#.*？FOO:.*？（.*？.*？）、文件获取内容（'page.html'）、$vals）；
preg#u match（“#.*”栏：.*（.*？.*？）”，文件获取内容（'page.html'），$vals）；

所有4个测试都会立即返回

在Java中，同样：

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/s; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>FOO:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

cat page.html | perl -e '$str = do { local $/; <> }; $str =~ /<tr.*?>.*?<td.*?>BAR:<\/td>.*?<td.*?>(.*?)<\/td>.*?<\/tr>/; print "$1\n";'

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#s',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>FOO:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

preg_match( '#<tr.*?>.*?<td.*?>BAR:</td>.*?<td.*?>(.*?)</td>.*?</tr>#',file_get_contents('page.html'), $vals);

为了完成我的测试，我还用Java执行了测试3和测试4，它花费了数小时，就像测试2一样（但不是1，它匹配，并且执行得很快）

这是我使用的代码（本例中为测试3）：

FileReader fr=newfilereader（“page.html”）；
char[]buff=new char[（int）new File（“page.html”）.length（）；
fr.read（buff）；
fr.close（）；
字符串页=新字符串（浅黄色）；
Pattern p=Pattern.compile（“*？FOO:.*？（*？）.*”/*，Pattern.DOTALL*/）；
匹配器m=p.Matcher（第页）；
System.out.println（m.find（））；

结论

PhP的性能比Perl好，也比Java好得多。为什么？

---

如果php能够快速判断这个regexp是否匹配，那么为什么不在Java中移植相同的技术呢？我一直认为人类完全理解正则表达式的世界，没有其他的发现可以做。

“我编写了一个代码，下载一个网页，然后解析它以找到一个特定的值。”。对不起，我停止在那里看书了。您应该创建一个可复制的示例来演示您的结果。难怪当有人试图用正则表达式解析HTML时，每个人都会发布一条消息。如果您从一开始就选择了HTML解析器，那么就不会有任何问题。任何带有

*？

的正则表达式在处理大量输入时都是注定要失败的。在我写这篇文章的时候，有三位评论员投票认为它太宽泛了。我同意它是广泛的。然而，我认为这个主题很有价值，这篇文章写得也很好，因此有理由不公开发表。@TomZych，在某种程度上我同意你的观点，但从所呈现的细节来看，这还不足以得到一个好的答案。缺少细节和许多需要解决的领域。这很有趣，也很有价值，但范围太广。1）你编写了一个糟糕的程序这一事实不是Perl错误（你有相当于8个嵌套循环），2）Perl的引擎对于失败的匹配比成功的匹配更为优化，3）Perl的引擎具有其他引擎没有的功能（需要一些速度），（4）Perl的引擎比其他引擎的bug要少得多（需要一定的速度）。