Regex 为什么正则表达式。*在一个位置较慢，在另一个位置较快

最近我在java/groovy中使用了很多正则表达式。对于测试，我经常使用。显然，我也在关注正则表达式的性能

我注意到，正确使用

*

可以显著提高总体性能。基本上，在正则表达式的末尾使用

*

，或者更好的说法是不在正则表达式的末尾使用，这会降低性能

例如，在正则表达式中，所需的步骤数为27：

，将所需的步骤大幅减少到16个：

但是，它不会进一步减少步骤：

我有几个问题：

为什么会出现上述情况？我不想比较

\s

和

*

。我知道区别。我想知道为什么

\s

和

*

的成本根据它们在完整正则表达式中的位置而不同。然后是正则表达式的特征，其成本可能根据其在整个正则表达式中的位置而有所不同（或者根据位置以外的任何其他方面，如果有）

该站点中给出的步骤计数器是否真的给出了关于regex性能的任何指示

您还有哪些其他简单或类似（与职位相关）的正则表达式性能观察结果

---

以下是调试器的输出

性能差异的主要原因是

*

将消耗所有内容，直到字符串结束（除了换行符）。然后该模式将继续，强制正则表达式回溯（如第一幅图所示）

\s

和

*

在模式结束时表现同样出色的原因是，如果没有其他匹配项（除了WS），贪婪模式与使用空格没有区别

如果您的测试字符串没有以空格结尾，那么性能就会有所不同，就像您在第一个模式中看到的那样——正则表达式将被迫回溯

编辑

如果以空格以外的内容结束，则可以看到性能差异：

坏的：

^myname.*mahesh.*hiworld

更好：

^myname.*mahesh\s*hiworld

更好的是：

^myname\s*mahesh\s*hiworld

---

正则表达式引擎使用

*

量词（又称贪婪量词）的方式是消耗输入中匹配的所有内容，然后：

试试正则表达式中的下一个术语。如果匹配，则继续

“取消使用”一个字符（将指针向后移动一个），也称为回溯并转到步骤1

由于

匹配任何内容（几乎），遇到

*

后的第一个状态是将指针移到输入端，然后开始在输入端一次移动一个字符，尝试下一个术语，直到匹配为止

使用

\s*

，只使用空格，因此指针最初会精确地移动到您希望的位置-无需回溯以匹配下一个术语

您应该尝试使用不情愿的量词

*？

，它将一次消耗一个字符，直到下一个词匹配为止，它的时间复杂度应与

\s*

相同，但效率稍高一些，因为不需要检查当前字符

---

表达式末尾的

\s*

和

*

将执行类似的操作，因为这两个表达式都将消耗f输入端匹配的所有内容，这使得两个表达式的指针位置相同。

您应该阅读有关回溯的更多信息

匹配

m

，

a

等，而

\s

不匹配（它只匹配空格）。最后，

\s*

和

*

在这里的工作原理相同。我不知道这类问题是否离题。@Stribizev我认为OP理解

的意思。问题是为什么

\s

在条件上性能更好。请使用regex101的调试器查看发生了什么。概括：可以相互匹配的量化子模式不应该一个接一个地出现。请注意，在您的示例中，最后的

*

和

\s*

都是无用的。无论发生什么情况，它们都将始终匹配。虽然“*？”比“*”发生可怕回溯的可能性更低，但如果输入与模式不匹配，它仍然会导致严重的回溯。如果回溯缓冲区溢出，则带有“

*？

的regexp仍会导致问题。我见过很多次。惰性匹配不会“修复”任何东西，正则表达式模式必须是“线性”的才能有效。请注意，正则表达式引擎可能对特定的子模式进行了专门的优化<代码>*作为一种组合，很常见，足以证明这种优化是合理的。对于给定的示例<代码>^myname.*mahesh，

*

将尝试使用实际需要的

m

来匹配

mahesh

。智能正则表达式引擎可以存储

m

的位置，并在单个步骤中回溯。看看erip的回答，其中显示了正式的步骤。缩短回溯的正则表达式引擎需要18个步骤，而不是28个步骤。请注意，在某些情况下，非贪婪限定符也可能导致额外的回溯。考虑<代码> A*BC/<代码> VS <代码> A*BC <代码> >代码> ABABAB/<代码>注意，正则表达式转换为DFAs（）的ReGEX引擎不做任何回溯，总是很快，尽管它们往往不支持一些功能，如反向引用。只是一个旁注：如果需要回溯，那么实现就有问题。常用的参考资料是Russ Cox关于正则表达式实现的注释。