java - 使用替代与单个正则表达式时的正则表达式效率

Question

我正在编写一个 CSV 解析器，为了检测我期望在文件中获取的不同数据类型，我为每种数据类型都有一个映射，每个映射都包含我定义为有效且可识别的正则表达式。例如，对于我的整数值，这是我的 map :

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put("^[1-9]\\d{1,9}$", "##0");
integerFormatRegexps.put("^-[1-9]\\d{1,9}$", "-##0");
integerFormatRegexps.put("^0$", "0");

现在，我已经看到了几个examples在 SO 中，他们不是将这些正则表达式分开，而是使用替代，而不是三个正则表达式，我可以只使用一个:

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put("^[1-9]\\d{1,9}$|^-[1-9]\\d{1,9}$|^0$", "Integer");

我的问题是，在 Java 中匹配模式时，这两种方法中哪一种通常更有效？迭代单独的更简单的正则表达式来查找匹配项，或者仅匹配一个更复杂的正则表达式？

Answer 1

首先，我不得不说，效率不太可能成为您的问题。您的正则表达式相对简单，并且您似乎在提取它们后使用它们来单独匹配值。

也就是说，在交替时需要注意的是不同的分支可以匹配相同的字符。最好的例子是 (.|\s) ，有时由还不了解 DOTALL/Singleline 模式的正则表达式初学者使用(或 [\S\s] ，如 this question )。将其放在一个良性的正则表达式中间，用它来搜索不是特别大的文本，然后看着你的计算机陷入紧张状态。

不过，您的示例正则表达式很好，因为每个分支都必须以不同的内容开头( [1-9] 、 - 或 0 )。但正如我所说，我认为正则表达式的效率永远不会成为问题。做你认为更方便的事情；更紧凑的代码和更少数量的正则表达式对于更大、更难维护的正则表达式来说是合理的权衡吗？

还有一件事:如果您在紧密循环中重复使用正则表达式，请务必使用缓存的 Pattern 对象；编译它们的成本是巨大的。事实上，考虑将它们作为模式而不是字符串存储在映射中。例如:

Pattern integerRegex = Pattern.compiile("^[1-9]\\d{1,9}$|^-[1-9]\\d{1,9}$|^0$");

Map<String, String> integerFormatRegexps = new HashMap<String, String>();
integerFormatRegexps.put(integerRegex, "Integer");

然后你可以使用静态Pattern.matches()执行检查的方法。