js 正则学习小记之匹配字符串优化篇

浏览数：16 / 时间：2015年06月09日

昨天在《js 正则学习小记之匹配字符串》谈到 /"(?:\\.|[^"])*"/ 是个不错的表达式，因为可以满足我们的要求，所以这个表达式可用，但不一定是最好的。
从性能上来说，他非常糟糕，为什么这么说呢，因为传统型NFA引擎遇到分支是从左往右匹配的，
所以它会用 \\. 去匹配每一个字符，发现不对后才用 [^"] 去匹配。
比如这样一个字符串: "123456\‘78\"90"
共 16 个字符，除了第一个 " 直接匹配成功，还剩余 15 个，只有 2 个转义(4 个字符)，所以 \\. 会失败 10 次，只有 2 次成功。
这 10 次匹配失败，需要回溯后用 [^"] 才能匹配成功，当然最后一个 " 会直接匹配成功。

很明显，正常的字符串不可能全是转义，正常的字符串才是主流，当然不排除有人故意全转义的情况。
所以这个正则需要10次回溯后才能匹配完成，如果字符串增长到 1K 1M 肿么破呢？
所以我们要修改下这个正则，前后换下位置么？
难道是 /"(?:[^"]|\\.)*"/ ？呵呵，好像不太对，这样的话转义就不能被匹配了。

所以还要修改下 /"(?:[^"\\]|\\.)*"/ 这样就OK了，遇到 \ 转义就会用 \\. 去尝试匹配。

可是还是有问题，因为我们在 [^"\\] 过滤掉了 \n 所以没法匹配多行字符的情况。

js 中字符串用 \ 折行是允许的，但是修改后的正则没法匹配这样的字符串了，所以我们还得继续修复。
因为 . 没法匹配换行，所以我们要用其他方式表达。
. 是用于匹配除换行符之外的所有字符，难道我们要 [.\n] 来表示么？
这样是不对的，因为 [] 字符集中的 . 不再表示除换行符之外的所有字符，而是字符 . 也就是他本身一个字符而已。
那怎么办呢？
其实换个思路，
\d 表示 0-9
\D 表示 [^0-9]
那么 [\d\D] 就表示所有了，不是么。（新人朋友不知道能不能消化这个知识点。）
同理 [\s\S] [\w\W] 同样可以。
所以 /"(?:[^"\\]|\\[\d\D])*"/ 这样就满足我们的要求了。

效果不错。
回头过来分分析下他现在的性能吧。
还是这个字符串: "123456\‘78\"90" ，正则 /"(?:[^"\\]|\\[\d\D])*"/

共 16 个字符，除了第一个 " 直接匹配成功，还剩余 15 个，有 2 个转义(4 个字符)，[^"\\] 能匹配成功 10 个字符，只有 2 次失败。
为什么不是 4 次失败呢，明明有4个字符啊。\\ 虽然是2个字符，但是读到第一个 \ 就匹配失败，然后用 \\[\d\D] 匹配成功，
占用掉了两个字符 \\ 下次用下一个o开始匹配，所以只有2次回溯。
只有 2 次需要回溯，然后用 \\[\d\D] 匹配成功。当然最后一个 " 还是会直接匹配成功。
所以从 10 次回溯，减少到了 2 次，虽然正则比昨天臃肿了很多，但至少性能提升了不止一个等级。