正则基础之 小数点

一些细节

对于使用传统NFA引擎的大多数语言和工具，如Java、.NET来说，“.”的匹配范围是匹配除了换行符“\n”以外的任意一个字符。
但是对于javascript来说有些特殊，由于各浏览器的解析引擎不同，“.”的匹配范围也有所不同，对于Trident内核的浏览器，如IE来说，“.”同样是匹配除了换行符“\n”以外的任意一个字符，但是对于其它内核的浏览器，如Firefox、Opera、Chrome来说，“.”是匹配除了回车符“\r”和换行符“\n”以外的任意一个字符。

关于此细节的一些猜测

<script type="text/javascript">
    document.write(/./.test("\r") + "<br />");
    document.write(/./.test("\n") + "<br />");
</script>
/*-----------IE下输出-----------
true
false
*/
/*-----------Firefox、Opera、Chrome下输出-----------
false
false
*/

大概测了一下，Trident、Presto和Gecko应该都是采用的传统NFA引擎，而webkit至少是支持传统NFA引擎的，但是又与传统NFA引擎表现的不太一样，估计不是做了高级优化的传统NFA引擎，就是DFA/NFA混合引擎。

由于Windows下支持“\r”和“\n”，而UNIX下只支持“\n”，所以我猜想可能是由于其它浏览器引擎并不来自于Windows，所以没有提供对“\r”的支持，从而导致在正则中“.”也不匹配“\r”吧。没做深入研究，只是一些猜测罢了。

常见应用误区

注意

在匹配多行时，不要试图用“[.\n]”来匹配任意字符，这种写法表示的只是小数点和换行符两个字符中的一个，可以使用“(.|\n)”，但一般不这样用，这样写可读性差，效率也低，一般用“[\s\S]”，或者是用“.”加(?s)匹配模式来达到这一效果。

举例

需求描述：匹配<td>标签中的内容
源字符串：<td>This is a test line.
Another line. </td>
匹配结果：<td>This is a test line.
Another line. </td>
正则表达式一：<td>[\s\S]*</td>
正则表达式二：(?s)<td>.*</td>

匹配效率测试

以下为测试用字符串，即下面richTextBox1.Text里输入的内容（取自CSDN首页）：

<link href="images/favicon.ico" rel="SHORTCUT ICON" />
<title>CSDN.NET - 中国领先的IT技术社区，为IT专业技术人员提供最全面的信息传播和服务平台</title>
<script language='JavaScript' type='text/javascript' src='http://www.csdn.net/ggmm/csdn_ggmm.js'></script> <script type="text/javascript" src="http://counter.csdn.net/a/js/AreaCounter.js%22%3E%3C/script>
<script type="text/javascript">

测试代码：

string yourStr = richTextBox1.Text;
            StringBuilder src = new StringBuilder(4096);
            for (int i = 0; i < 10000; i++)
            {
                src.Append(yourStr);
            }
            string strData = src.ToString();
            List<Regex> reg = new List<Regex>();
            reg.Add(new Regex(@"[\s\S]"));
            reg.Add(new Regex(@"[\w\W]"));
            reg.Add(new Regex(@"[\d\D]"));
            reg.Add(new Regex(@"(.|\n)"));
            reg.Add(new Regex(@"(?s)."));
            string test = string.Empty;
            Stopwatch stopW = new Stopwatch();
            foreach (Regex re in reg)
            {
                stopW.Reset();
                stopW.Start();
                test = strData;
                test = re.Replace(test, "");
                stopW.Stop();
                richTextBox2.Text += "正则表达式：" + re.ToString().PadRight(10) + "执行时间：" + stopW.ElapsedMilliseconds.ToString() + " ms";
                richTextBox2.Text += "\n---------------------------------------\n";
            }

测试结果：
测试分两组进行，程序执行前内存占用为921M
一组是未使用量词，每次仅替换一个字符，执行时间如下，占用内存938M

正则表达式：[\s\S] 执行时间：2651 ms
---------------------------------------
正则表达式：[\w\W] 执行时间：2515 ms
---------------------------------------
正则表达式：[\d\D] 执行时间：2187 ms
---------------------------------------
正则表达式：(.|\n) 执行时间：2470 ms
---------------------------------------
正则表达式：(?s). 执行时间：1969 ms

另一组使用了量词，一次替换所有字符，执行时间如下，占用内存1128M

测试结果（带量词）
正则表达式：[\s\S]+ 执行时间：249 ms
---------------------------------------
正则表达式：[\w\W]+ 执行时间：348 ms
---------------------------------------
正则表达式：[\d\D]+ 执行时间：198 ms
---------------------------------------
正则表达式：(.|\n)+ 执行时间：879 ms
---------------------------------------
正则表达式：(?s).+ 执行时间：113 ms
---------------------------------------

测试结果分析：

匹配效率最高的是采用了Singleline这种匹配模式的“.”
其次是“[\d\D]”，而“(.|\n)”的匹配效率最低
“[\s\S]”的匹配效率居中，只是习惯上用得多些

注：由于各语言支持的引擎不同，即使使用同一种引擎，对正则做的优化也有所不同，所以以上性能测试结论可能仅适用于.NET。

最新评论