Java 正则表达式：哪个更快：连续的简单表达式还是一个复杂的表达式？

Question

我正在编写一个程序，需要去除相当多的垃圾信息。我使用正则表达式来实现，由于我的程序在速度方面比较敏感，我需要知道哪种解决方案更快：使用一系列连续而相对简单的正则表达式，还是使用一个相当复杂的单一正则表达式？

此致， Timofey。

- Ibolit

---

没有实际表达方式很难判断。这个问题没有普适的答案，但你可以轻易地测试两种方法的效果。 - Tomalak

不仅仅是正则表达式；你匹配的文本也可以产生巨大的影响。 - tripleee

Answer 1

你需要进行基准测试以确保结果，并确保博客记录下测试结果。我怀疑一个大的正则表达式比许多小的正则表达式更快，但我很想知道你的发现。

java.util.regex.Pattern类非常复杂，我不敢保证它的优化表现如何。我知道正则表达式会编译成图形，因此显而易见的是可以将重叠路径合并。你将许多变量放入单个表达式中，就会有更多这样的机会。这也可能减少对输入数据的传递次数。

- Barend

---

+1 指出只有（写得好的）基准测试才能回答这个问题，而且一个人无法知道根据实现会发生什么样的优化。例如，perl 从许多替代方案中创建 trie 数据结构：例如，看看 perl -Mre=debug -cwe '/abc|adec|adfe|abcdgd|adfxe/' 如何工作。Trie 比逐个测试快得多。听起来 Java 却不够聪明。 - tchrist

确实。有些语言（和实现）比标准Java更适合于大量文本处理。这确实引出了一个问题，即开源Java正则表达式框架（如GNU regexp）是否更好。 - Barend

Answer 2

正如你们中的许多人建议的那样，我尝试了一下，并得出了以下结果：

将我使用的一些正则表达式连续加入到一个中后，我的执行时间几乎增加了一倍（从处理1000个字符串需要10秒变为处理相同数量的字符串需要18秒）。

所以，基本上可以得出结论：顺序地尽可能多地删除符号，使剩余的字符串在下一个清理的正则表达式中尽可能短，比长正则表达式更快。

PS。不幸的是，我无法张贴正则表达式本身，因为它们会被代码高亮显示器损坏。

PPS: 这里是我依次使用的一些正则表达式：

s = s.replaceAll("<span STYLE=\"color:[\w|\d|\(|\)|\,]++\">", "");
s = s.replaceAll("</{0,1}\w++>", "");
s = s.replaceAll("<img SRC=\"/gif/", "");
s = s.replaceAll("(width|height)\s{0,}=\s{0,}\"{0,1}\d{1,}\"{0,1}", "");
s = s.replaceAll("align=\"\w++\"", "");

然后我将它们结合在一起，将每个正则表达式放在括号中，并在它们之间放置|。

- Ibolit

---

感谢您报告您的发现。无论如何，您能否发布您的正则表达式呢？如果您无法正确格式化，也许管理员可以帮忙。 - Barend

这也符合我的发现，即使在JDK 8中也是如此。我本来以为大的会更快，但小的似乎更快。 - Ayman