c# - RegEx 字表现 :\w vs [a-zA-Z0-9_]

Question

我想知道 \w 传递的字符列表，是不是 [a-zA-Z0-9_]或者它可能涵盖更多的字符？

我问这个问题，因为基于 this , \d 与[0-9] 不同，是less efficient .

\w vs [a-zA-Z0-9_]: which one might be faster in large scale?

Answer 1

[ 这个答案是特定于 Perl 的。其中的信息可能不适用于 PCRE 或其他标记语言使用的引擎。 ]

/\w/aa(实际等效于 /[a-zA-Z0-9_]/)通常更快，但并非总是如此。也就是说，差异是如此之小(每次检查不到 1 纳秒)，因此不必担心。换句话说，调用 sub 或启动正则表达式引擎需要的时间要长得多。

下面将对此进行详细介绍。

---

首先，默认情况下，\w 与 [a-zA-Z0-9_] 不同。 \w 匹配每个字母、数字、标记和连接符标点 Unicode 代码点。有 119,821 个这样的代码!^[1] 确定哪个非等效代码最快是没有意义的。

但是，将 \w 与 /aa 一起使用可确保 \w 仅匹配 [a-zA-Z0-9_] 。这就是我们将要用于基准测试的内容。 (实际上，我们将同时使用两者。)

(请注意，每个测试执行 1000 万次检查，因此 10.0/s 实际上意味着每秒 1000 万次检查。)

---

ASCII-only positive match
               Rate [a-zA-Z0-9_]      (?u:\w)     (?aa:\w)
[a-zA-Z0-9_] 39.1/s           --         -26%         -36%
(?u:\w)      52.9/s          35%           --         -13%
(?aa:\w)     60.9/s          56%          15%           --

当在 ASCII 字符中找到匹配项时，ASCII-only \w 和 Unicode \w 都击败了显式类。

/\w/aa 在我的机器上是 ( 1/39.1 - 1/60.9 )/10,000,000 = 0.000,000,000,916 秒

---

ASCII-only negative match
               Rate      (?u:\w)     (?aa:\w) [a-zA-Z0-9_]
(?u:\w)      27.2/s           --          -0%         -12%
(?aa:\w)     27.2/s           0%           --         -12%
[a-zA-Z0-9_] 31.1/s          14%          14%           --

当无法在 ASCII 字符中找到匹配项时，显式类胜过 ASCII-only \w。

/[a-zA-Z0-9_]/ 在我的机器上是 ( 1/27.2 - 1/31.1 )/10,000,000 = 0.000,000,000,461 秒

---

Non-ASCII positive match
               Rate      (?u:\w) [a-zA-Z0-9_]     (?aa:\w)
(?u:\w)      2.97/s           --        -100%        -100%
[a-zA-Z0-9_] 3349/s      112641%           --          -9%
(?aa:\w)     3664/s      123268%           9%           --

哇哦。该测试似乎正在进行一些优化。也就是说，多次运行测试会产生极其一致的结果。 (其他测试也是如此。)

在非 ASCII 字符中找到匹配项时，ASCII-only \w 胜过显式类。

/\w/aa 在我的机器上是 ( 1/3349 - 1/3664 )/10,000,000 = 0.000,000,000,002,57 s

---

Non-ASCII negative match
               Rate      (?u:\w) [a-zA-Z0-9_]     (?aa:\w)
(?u:\w)      2.66/s           --          -9%         -71%
[a-zA-Z0-9_] 2.91/s          10%           --         -68%
(?aa:\w)     9.09/s         242%         212%           --

当无法在非 ASCII 字符中找到匹配项时，ASCII-only \w 胜过显式类。

/[a-zA-Z0-9_]/ 在我的机器上是 ( 1/2.91 - 1/9.09 )/10,000,000 = 0.000,000,002,34 秒

---

结论

• 我很惊讶 /\w/aa 和 /[a-zA-Z0-9_]/ 之间有任何区别。
• 在某些情况下，/\w/aa 更快；在其他情况下，/[a-zA-Z0-9_]/。
• /\w/aa 和 /[a-zA-Z0-9_]/ 之间的差异非常小(小于 1 纳秒)。
• 差别很小，您不必担心。
• 即使 /\w/aa 和 /\w/u 之间的差异也很小，尽管后者匹配的字符比前者多 4 个数量级。

---

use strict;
use warnings;
use feature qw( say );

use Benchmarks qw( cmpthese );

my %pos_tests = (
   '(?u:\\w)'     => '/^\\w*\\z/u',
   '(?aa:\\w)'    => '/^\\w*\\z/aa',
   '[a-zA-Z0-9_]' => '/^[a-zA-Z0-9_]*\\z/',
);

my %neg_tests = (
   '(?u:\\w)'     => '/\\w/u',
   '(?aa:\\w)'    => '/\\w/aa',
   '[a-zA-Z0-9_]' => '/[a-zA-Z0-9_]/',
);

$_ = sprintf( 'use strict; use warnings; our $s; for (1..1000) { $s =~ %s }', $_)
   for
      values(%pos_tests),
      values(%neg_tests);

local our $s;

say "ASCII-only positive match";
$s = "J" x 10_000;
cmpthese(-3, \%pos_tests);

say "";

say "ASCII-only negative match";
$s = "!" x 10_000;
cmpthese(-3, \%neg_tests);

say "";

say "Non-ASCII positive match";
$s = "\N{U+0100}" x 10_000;
cmpthese(-3, \%pos_tests);

say "";

say "Non-ASCII negative match";
$s = "\N{U+2660}" x 10_000;
cmpthese(-3, \%neg_tests);

---

1. Unicode 版本 11。