写出高效率的正则表达式技巧总结

有相当大的一部分程序员他们只考虑如何能尽快把活干完，从来不考虑如何使自己的代码更完美，更高效，这样的程序员永远也达不到一定的高度。当然，在写正则表达式的时候，我们首先要保证准确性，其次才是效率问题。下面是一些提高正则表达式效率的小窍门。

如果纯粹是为了挑战自己的正则水平，用来实现一些特效(例如使用正则表达式计算质数、解线性方程)，效率不是问题;如果所写的正则表达式只是为了满足一两次、几十次的运行，优化与否区别也不太大。但是，如果所写的正则表达式会百万次、千万次地运行，效率就是很大的问题了。

为行文方便，先定义两个概念。

误匹配：

指正则表达式所匹配的内容范围超出了所需要范围，有些文本明明不符合要求，但是被所写的正则式“击中了”。例如，如果使用/d{11}来匹配11位的手机号，/d{11}不单能匹配正确的手机号，它还会匹配98765432100这样的明显不是手机号的字符串。我们把这样的匹配称之为误匹配。

漏匹配：

指正则表达式所匹配的内容所规定的范围太狭窄，有些文本确实是所需要的，但是所写的正则没有将这种情况囊括在内。例如，使用/d{18}来匹配18位的身份证号码，就会漏掉结尾是字母X的情况。

写出一条正则表达式，既可能只出现误匹配(条件写得极宽松，其范围大于目标文本)，也可能只出现漏匹配(只描述了目标文本中多种情况种的一种)，还可能既有误匹配又有漏匹配。例如，使用/w+/.com来匹配.com结尾的域名，既会误匹配abc_.com这样的字串(合法的域名中不含下划线，/w包含了下划线这种情况)，又会漏掉ab-c.com这样的域名(合法域名中可以含中划线，但是/w不匹配中划线)。

精准的正则表达式意味着既无误匹配且无漏匹配。当然，现实中存在这样的情况：只能看到有限数量的文本，根据这些文本写规则，但是这些规则将会用到海量的文本中。这种情况下，尽可能地(如果不是完全地)消除误匹配以及漏匹配，并提升运行效率，就是我们的目标。本文所提出的经验，主要是针对这种情况。

掌握语法细节。

正则表达式在各种语言中，其语法大致相同，细节各有千秋。明确所使用语言的正则的语法的细节，是写出正确、高效正则表达式的基础。例如，perl中与/w等效的匹配范围是[a-zA-Z0-9_];perl正则式不支持肯定逆序环视中使用可变的重复(variable repetition inside lookbehind，例如(?<=.*)abc)，但是.Net语法是支持这一特性的;又如，JavaScript连逆序环视(Lookbehind,如(?<=ab)c)都不支持，而perl和python是支持的。《精通正则表达式》第3章《正则表达式的特性和流派概览》明确地列出了各大派系正则的异同，这篇文章也简要地列出了几种常用语言、工具中正则的比较。对于具体使用者而言，至少应该详细了解正在使用的那种工作语言里正则的语法细节。

先粗后精，先加后减。

使用正则表达式语法对于目标文本进行描述和界定，可以像画素描一样，先大致勾勒出框架，再逐步在局步实现细节。仍举刚才的手机号的例子，先界定/d{11}，总不会错;再细化为1[358]/d{9}，就向前迈了一大步(至于第二位是不是3、5、8，这里无意深究，只举这样一个例子，说明逐步细化的过程)。这样做的目的是先消除漏匹配(刚开始先尽可能多地匹配，做加法)，然后再一点一点地消除误匹配(做减法)。这样有先有后，在考虑时才不易出错，从而向“不误不漏”这个目标迈进。

留有余地。

所能看到的文本sample是有限的，而待匹配检验的文本是海量的，暂时不可见的。对于这样的情况，在写正则表达式时要跳出所能见到的文本的圈子，开拓思路，作出“战略性前瞻”。例如，经常收到这样的垃圾短信：“发*票”、“发#漂”。如果要写规则屏蔽这样烦人的垃圾短信，不但要能写出可以匹配当前文本的正则表达式 发[*#](?:票|漂)，还要能够想到 发.(?:票|漂|飘)之类可能出现的“变种”。这在具体的领域或许会有针对性的规则，不多言。这样做的目的是消除漏匹配，延长正则表达式的生命周期。

明确。

具体说来，就是谨慎用点号这样的元字符，尽可能不用星号和加号这样的任意量词。只要能确定范围的，例如/w，就不要用点号;只要能够预测重复次数的，就不要用任意量词。例如，写析取twitter消息的脚本，假设一条消息的xml正文部分结构是…且正文中无尖括号，那么[^<]{1,480}这种写法的思路要好于.*，原因有二：一是使用[^<]，它保证了文本的范围不会超出下一个小于号所在的位置;二是明确长度范围，{1,480}，其依据是一条twitter消息大致能的字符长度范围。当然，480这个长度是否正确还可推敲，但是这种思路是值得借鉴的。说得狠一点，“滥用点号、星号和加号是不环保、不负责任的做法”。

不要让稻草压死骆驼。

每使用一个普通括号()而不是非捕获型括号(?:…)，就会保留一部分内存等着你再次访问。这样的正则表达式、无限次地运行次数，无异于一根根稻草的堆加，终于能将骆驼压死。养成合理使用(?:…)括号的习惯。

宁简勿繁。

将一条复杂的正则表达式拆分为两条或多条简单的正则表达式，编程难度会降低，运行效率会提升。例如用来消除行首和行尾空白字符的正则表达式s/^/s+|/s+$//g;，其运行效率理论上要低于s/^/s+//g; s//s+$//g; 。这个例子出自《精通正则表达式》第五章，书中对它的评论是“它几乎总是最快的，而且显然最容易理解”。既快又容易理解，何乐而不为?工作中我们还有其它的理由要将C==(A|B)这样的正则表达式拆为A和B两条表达式分别执行。例如，虽然A和B这两种情况只要有一种能够击中所需要的文本模式就会成功匹配，但是如果只要有一条子表达式(例如A)会产生误匹配，那么不论其它的子表达式(例如B)效率如何之高，范围如何精准，C的总体精准度也会因A而受到影响。

巧妙定位。

有时候，我们需要匹配的the，是作为单词的the(两边有空格)，而不是作为单词一部分的t-h-e的有序排列(例如together中的the)。在适当的时候用上^，$，/b等等定位锚点，能有效提升找到成功匹配、淘汰不成功匹配的效率。

以上就是总结了几条提升正则表达式运行效率的经验(工作中学到的，看书学来的，自己的体会)，整理在这里。如果您有其它的经验而这里没有提及，欢迎讨论。