Java中的正则表达式速度

大量字符串的一些示例挂钟时间：

.split("[^a-zA-Z]"); // .44 seconds
.split("[^a-zA-Z]+"); // .47 seconds
.split("\\b+"); // 2 seconds

---

有什么解释能解释这一急剧增长的原因吗？我可以将处理器中执行的[^a-zA-Z]模式想象为一组四个比较操作，只有在真实情况下才会执行所有四个比较操作。那\b呢？有人对此有什么看法吗？

\b

是一种零宽度断言，它与

[^a-Za-z]

有根本不同。因为

\b

是作为if/then实现的（参见下面的tchrist注释），所以可能需要更多的工作来检查每个字符串中的每个字母。此外，加号会导致回溯，从而使成本成倍增加

此外，当您在单词边界上进行拆分时，您将在更多的位置进行匹配，而不仅仅是在

[^a-zA-Z]+

上进行拆分。这将导致分配更多的字符串，这也将花费更多的时间。 要了解这一点，请尝试以下程序：

import java.lang.String;

class RegexDemo {
    private static void testSplit(String msg, String re) {
        String[] pieces = "the quick brown fox".split(re);
        System.out.println(msg);
        for (String s : pieces) {
            System.out.println(s);
        }
        System.out.println("----");
    }

    public static void main(String args[]) {
        testSplit("boundary:", "\\b+");
        testSplit("not alpha:", "[^A-Za-z]+");
    }
}

可能与此无关，当您使用String.split（）时，必须为每次使用编译正则表达式。 如果将正则表达式预编译为模式，例如

Pattern boundary = Pattern.compile("\\b+");

然后使用

boundary.split（testString）

进行拆分，您将节省为每个测试字符串编译正则表达式的成本。因此，可以想象，“\b+”的编译比其他模式的编译要慢，您可以在这里使用预编译的习惯用法来测试它，尽管我觉得这不太可能作为一种解释

---

有关regex性能的更多信息，请阅读Russ Cox的这些文章并查看。

首先，在一个或多个零宽度断言上拆分是没有意义的！Java的正则表达式在理智的优化方面不是很聪明，我也很仁慈

第二，不要在Java中使用

\b

：它混乱不堪，与

\w

不同步

---

关于这一点的更完整的解释，特别是如何使用Unicode，请参阅。

我不知道Java的正则表达式是否支持Unicode（如果它们不支持Unicode，我会感到惊讶），那么

\b

将是一个比仅仅

[a-zA-Z]

甚至

[a-zA-Z0-9.

更复杂的检查……这是错误的

\b

从来都不是指

[^a-zA-Z0-9][/code>。首先，它有宽度，而
\b
没有宽度。
\b
真正的意思是
（？：（？\w
定义，当然。Java没有，所以你必须使用我的重写函数或`（？：（？@Dean:是的，
\b
是Unicode感知的（以其自身有趣的方式），这是一个复杂得多的测试。它必须应用于每个位置，因为通过或失败，它从不使用任何字符。
split
只编译一次模式：
publicstring[]split（stringregex，int-limit）{return pattern.compile（regex）.split（this，limit）；}
来自
j2se/src/share/altclasses/java/lang/String。java
@Platinum:请记住有两种拆分方法：and。反复调用
Pattern#split
不会导致重新编译模式。反复调用
String#split#code>会导致重新编译模式。所有这些时间看起来都很简单大约3个数量级太大了。您的输入数据看起来像什么？它看起来像几百万行分割。这是正确的数量级。空间学员时刻；忘记了\b是零宽度。