长正则表达式的 Java 正则表达式性能

Question

我想检查一组字符串是否包含一组单词。

String[] text = new String[10000];
text[0] = "John was killed in London";
text[1] = "Joe was murdered in New York";
....

String regex = "killed | killing | dead |murdered | beheaded | kidnapped | arrested | apprehended .....

我有一长串由 OR 运算符分隔的单词，如上所示，我想检查每个句子是否至少包含列表中的一个单词。

我知道如何使用 Pattern 和 Matcher。

我想知道的是以下方法中哪种方法对性能有好处，

1. 在单个正则表达式中有一长串由 OR 运算符分隔的单词
2. 有多个正则表达式(通过将列表分成 2 或 3 或？)并在不同的步骤中进行匹配

或者，有没有其他方法可以更快地做到这一点？

Answer 1

要了解其性能，您需要了解正则表达式的工作原理。它们比 Java 的“包含”复杂得多，在最坏的情况下，Java 的“包含”对于字符串的性能是二次方的。正则表达式编译成一个图形，您可以遍历输入字符串中的每个字符。这意味着，如果您有多个单词并构建了正确的正则表达式语句，那么如果您正确制作正则表达式或使用正则表达式优化器(例如 https://www.dcode.fr/regular-expression-simplificator)，您可以获得更好的性能。我不确定 Java 是否开箱即用地优化了您的正则表达式。这是一个正确编译的正则表达式图的可视化示例。