一.背景
前文的String字串效能優化的探究中的第3點講述了Split() 方法使用了正規表示式實現了其強大的分割功能，而正規表示式的效能是非常不穩定的，使用不恰當會引起回溯問題。那麼今天詳細探討下正規表示式。
正規表示式是電腦科學的一個概念，很多語言都實現了它。正規表示式使用一些特定的元字元來檢索、匹配以及替換符合規定的字串。
構造正規表示式語法的元字元，由普通字元、標準字元、限定字元（量詞）、定位符（邊界字元）組成，詳情如下圖： 
二.正規表示式引擎
正規表示式是一個用正則符號寫出的公式，程式對這個公式進行語法分析，建立一個語法分析樹，再根據這個分析樹結合正規表示式的引擎生成執行程式（這個執行程式我們把它稱作狀態機，也叫狀態自動機），用於字元匹配。
而這裡的正規表示式引擎就是一套核心演算法，用於建立狀態機。
目前實現正規表示式引擎的方式有兩種：DFA自動機（Deterministic Final Automata 確定有限狀態自動機）和 NFA（Non deterministic Finite Automaton 非確定有限狀態自動機）。
對比來看，構造 DFA 自動機的代價遠大於 NFA 自動機，但 DFA 自動機的執行效率高於 NFA 自動機。
假設一個字串的長度是 n，如果用 DFA 自動機作為正規表示式引擎，則匹配的時間複雜度為 O(n)；如果用 NFA 自動機作為正規表示式引擎，由於 NFA 自動機在匹配過程中存在大量的分支和回溯，假設 NFA 的狀態數為 s，則該匹配演算法的時間複雜度為 O(ns)。
NFA 自動機的優勢是支援更多功能。例如：捕獲 group、環視、佔有優先量詞等高階功能。這些功能都是基於子表示式獨立進行匹配，因此在程式語言裡，使用的正規表示式庫都是基於 NFA 實現的。
那麼 NFA 自動機到底是怎麼進行匹配的呢？接下來以下面的例子來進行說明：
text = "aabcab"
regex = "bc"
NFA 自動機會讀取正規表示式的每一個字元，拿去和目標字串匹配，匹配成功就換正規表示式的下一個字元，反之就繼續和目標字串的下一個字元進行匹配。
分解一下過程：
1）讀取正規表示式的第一個匹配符和字串的第一個字元進行比較，b 對 a，不匹配；繼續換字串的下一個字元，也就是 a，不匹配；繼續換下一個，是 b，匹配；
2）同理，讀取正規表示式的第二個匹配符和字串的第四個字元進行比較，c 對 c，匹配；繼續讀取正規表示式的下一個字元，然而後面已經沒有可匹配的字元了，結束。
這就是 NFA 自動機的匹配過程，雖然在實際應用中，碰到的正規表示式都要比這複雜，但匹配方法是一樣的。
三.NFA自動機的回溯
用 NFA 自動機實現的比較複雜的正規表示式，在匹配過程中經常會引起回溯問題。大量的回溯會長時間地佔用 CPU，從而帶來系統效能開銷。如下面例子：
text = "abbc"
regex = "ab{1,3}c"
上面例子，匹配目的比較簡單。匹配以 a 開頭，以 c 結尾，中間有 1-3 個 b 字元的字串。NFA 自動機對其解析的過程是這樣的：
1）讀取正規表示式第一個匹配符 a 和字串第一個字元 a 進行比較，a 對 a，匹配；
2）讀取正規表示式第一個匹配符 b{1,3} 和字串的第二個字元 b 進行比較，匹配。但因為 b{1,3} 表示 1-3 個 b 字串，NFA 自動機又具有貪婪特性，所以此時不會繼續讀取正規表示式的下一個匹配符，而是依舊使用 b{1,3} 和字串的第三個字元 b 進行比較，結果還是匹配。
3）繼續使用 b{1,3} 和字串的第四個字元 c 進行比較，發現不匹配了，此時就會發生回溯，已經讀取的字串第四個字元 c 將被吐出去，指標回到第三個字元 b 的位置。
4）那麼發生回溯以後，匹配過程怎麼繼續呢？程式會讀取正規表示式的下一個匹配符 c，和字串中的第四個字元 c 進行比較，結果匹配，結束。
四.如何避免回溯問題？
既然回溯會給系統帶來效能開銷，那我們如何應對呢？如果你有仔細看上面那個案例的話，你會發現 NFA 自動機的貪婪特性就是導火索，這和正規表示式的匹配模式息息相關。
1.貪婪模式（Greedy）
顧名思義，就是在數量匹配中，如果單獨使用 +、？、*或（min,max）等量詞，正規表示式會匹配儘可能多的內容。
例如，上面那個例子：
text = "abbc"
regex = "ab{1,3}c"
就是在貪婪模式下，NFA自動機讀取了最大的匹配範圍，即匹配 3 個 b 字元。匹配發生了一次失敗，就引起了一次回溯。如果匹配結果是“abbbc”，就會匹配成功。
text = "abbbc"
regex = "ab{1,3}c"
2.懶惰模式（Reluctant）
在該模式下，正規表示式會盡可能少地重複匹配字元，如果匹配成功，它會繼續匹配剩餘的字串。
例如，上面的例子的字元後面加一個“?”，就可以開啟懶惰模式。
text = "abc"
regex = "ab{1,3}?c"
匹配結果是“abc”，該模式下 NFA 自動機首先選擇最小的匹配範圍，即匹配 1 個 b 字元，因此就避免了回溯問題。
3.獨佔模式（Possessive）
同貪婪模式一樣，獨佔模式一樣會最大限度地匹配更多內容；不同的是，在獨佔模式下，匹配失敗就會結束匹配，不會發生回溯問題。
還是上面的例子，在字元後面加一個“+”，就可以開啟獨佔模式。
text = "abbc"
regex = "ab{1,3}+c"
結果是不匹配，結束匹配，不會發生回溯問題。
所以綜上所述，避免回溯的方法就是：使用懶惰模式或獨佔模式。
前面講述了“Split() 方法使用了正規表示式實現了其強大的分割功能，而正規表示式的效能是非常不穩定的，使用不恰當會引起回溯問題。”，比如使用了 split 方法提取域名，並檢查請求引數是否符合規定。split 在匹配分組時遇到特殊字元產生了大量回溯，解決辦法就是在正規表示式後加一個需要匹配的字元和“+”解決了回溯問題：
\\?(([A-Za-z0-9-~_=%]++\\&{0,1})+)
五.正規表示式的優化
1.少用貪婪模式：多用貪婪模式會引起回溯問題，可以使用獨佔模式來避免回溯。
2.減少分支選擇：分支選擇型別 “(X|Y|Z)” 的正規表示式會降低效能，在開發的時候要儘量減少使用。如果一定要用，可以通過以下幾種方式來優化：
1）考慮選擇的順序，將比較常用的選擇項放在前面，使他們可以較快地被匹配；
2）可以嘗試提取共用模式，例如，將 “(abcd|abef)” 替換為 “ab(cd|ef)” ，後者匹配速度較快，因為 NFA 自動機會嘗試匹配 ab，如果沒有找到，就不會再嘗試任何選項；
3）如果是簡單的分支選擇型別，可以用三次 index 代替 “(X|Y|Z)” ，如果測試話，你就會發現三次 index 的效率要比 “(X|Y|Z)” 高一些。
3.減少捕獲巢狀 ：
捕獲組是指把正規表示式中，子表示式匹配的內容儲存到以數字編號或顯式命名的陣列中，方便後面引用。一般一個（）就是一個捕獲組，捕獲組可以進行巢狀。
非捕獲組則是指參與匹配卻不進行分組編號的捕獲組，其表示式一般由（?:exp）組成。
在正規表示式中，每個捕獲組都有一個編號，編號 0 代表整個匹配到的內容。可以看看下面的例子：
public static void main(String[] args) { String text = "<input high=\"20\" weight=\"70\">test</input>"; String reg = "(<input.*?>)(.*?)(</input>)"; Pattern p = Pattern.compile(reg); Matcher m = p.matcher(text); while (m.find()){ System.out.println(m.group(0));//整個匹配到的內容 System.out.println(m.group(1));//<input.*?> System.out.println(m.group(2));//(.*?) System.out.println(m.group(3));//(</input>) } } =====執行結果===== <input high="20" weight="70">test</input> <input high="20" weight="70"> test </input>
如果你並不需要獲取某一個分組內的文字，那麼就使用非捕獲組，例如，使用 “(?:x)” 代替 “(X)” ，例如下面的例子：
public static void main(String[] args) { String text = "<input high=\"20\" weight=\"70\">test</input>"; String reg = "(?:<input.*?>)(.*?)(?:</input>)"; Pattern p = Pattern.compile(reg); Matcher m = p.matcher(text); while (m.find()) { System.out.println(m.group(0));//整個匹配到的內容 System.out.println(m.group(1));//(.*?) } } =====執行結果===== <input high="20" weight="70">test</input> test