^\s*(\d+(,|,))*\d+\s*$
经过测试,这种写法在保证逻辑无误的前提下还保证了执行效率(在有数百个商品 ID 的情况下依然可以在几毫秒内执行完毕)。
讲到这里,你可能会有两个问题:
为何第一种写法的正则表达式匹配结果和我们预想的不一致。
为何两种写法的性能差别如此之大。
要回答这个问题,还要从正则表达式中 *
符号的执行逻辑说起。
大家都知道 *
表示匹配前面的子表达式 0 次或多次(且尽可能多的匹配)。但这个逻辑具体是如何执行的呢?让我们通过几个小例子来看一下。
Round 1
假设有正则表达式 /^(a*)b$/
和字符串 aaaaab
。如果用该正则匹配这个字符串会得到什么呢?
答案很简单。两者匹配,且捕获组捕获到字符串 aaaaa
。
Round 2
这次让我们把正则改写成 /^(a*)ab$/
。再次和字符串 aaaaab
匹配。结果如何呢?
两者依然匹配,但捕获组捕获到字符串 aaaa
。因为捕获组后续的表达式占用了 1 个 a
字符。但是你有没有考虑过这个看似简单结果是经过何种过程得到的呢?
让我们一步一步来看:
匹配开始 (a*)
捕获尽可能多的字符 a
。
(a*)
一直捕获,直到遇到字符 b
。这时 (a*)
已经捕获了 aaaaa
。
正则表达式继续执行 (a*)
之后的 ab
匹配。但此时由于字符串仅剩一个 b
字符。导致无法完成匹配。
(a*)
从已捕获的字符串中“吐”出一个字符 a
。这时捕获结果为 aaaa
,剩余字符串为 ab
。
重新执行正则中 ab
的匹配。发现正好与剩余字符串匹配。整个匹配过程结束。返回捕获结果 aaaa
。
从第3,4步可以看到,暂时的无法匹配并不会立即导致整体匹配失败。而是会从捕获组中“吐出”字符以尝试。这个“吐出”的过程就叫回溯。
回溯并不仅执行一次,而是会一直回溯到另一个极端。对于 *
符号而言,就是匹配 0 次的情况。
Round 3
这次我们把正则改为 /^(a*)aaaab$/
。字符串依然为 aaaaab
。根据前边的介绍很容易直到。此次要回溯 4 次才可以完成匹配。具体执行过程不再赘述。
了解了回溯的工作原理,再来看悲观回溯就很容易理解了。
Round 4
这次我们的正则改为 /^(a*)b$/
。但是把要匹配的字符串改为 aaaaa
。去掉了结尾的字符 b
。
让我们看看此时的执行流程:
(a*)
首先匹配了所有 aaaaa
。
尝试匹配 b
。但是匹配失败。
回溯 1 个字符。此时剩余字符串为 a
。依然无法匹配字符 b
。
回溯一直进行。直到匹配 0 次的情况。此时剩余字符串为 aaaaa
。依然无法匹配 b
。
所有的可能性均已尝试过,依然无法匹配。最终导致整体匹配失败。
可以看到,虽然我们可以一眼看出二者无法匹配。但正则表达式在执行时还要“傻傻的”逐一回溯所有可能性,才能确定最终结果。这个“傻傻的”回溯过程就叫悲观回溯。
虽然这个过程看起来有点傻,但是不是感觉也没什么大问题?为何会有性能问题呢?让我们回到最初的那个正则表达式。
Round 5
这次正则表达式回到 ^\s*((\d+(\,|,)\d+)*|(\d+))\s*$
。字符串为123456789,123456789,123456789,
执行的结果依然为不匹配。这点毫无疑问。但问题是,执行的过程中,进行了多少次回溯呢?
让我们统计一下:
首轮执行过后的捕获结果是 123456789,12345678
,9,123456789
。但这时剩余字符串仅剩 ,
一个字符。于是开始悲观回溯。
首先看第一个匹配不变的情况下,第二个匹配组回溯的情况。
a. 回退 1 个字符。剩余字符串为 9,
。不匹配。共回溯 1 次。
b. 回退 2 个字符。剩余字符串为 89,
。不匹配。但是 89
又进行一次回溯。共回溯 2 次。
c. 以此类推。最多回退 8 个字符。此时剩余字符串为 23456789,
。共可以回溯 8 次。
d. 累计回溯 1 + 2 + 3 + 4 + 5 + 6 + 7 + 8 = 36 次。
接着,第一个捕获组回溯 1 个字符。捕获结果变为 123456789,1234567
,89,123456789
。此时又将循环一遍 2 中的所有逻辑。累计回溯 36 + 1次。
以此类推,全部回溯完成,需要回溯 324 次。
假设我们增加一个商品 ID,字符串变为 123456789,123456789,123456789,123456789,
。此时的回溯次数增加到 2628 次。
以此类推可得。
也使用了 *
符号,按说也会进行悲观回溯。为何没有性能问题呢?
答案在于,对于同一字符串是否有多种可行的匹配模式。也就是说对于某个固定的字符串,你的正则表达式是否有“唯一解”。
举例对于我给出的正则,对于字符串 123456789,123456789,123456789
只可能有 1 种匹配结果。那就是 123456789,
,123456789,
和 123456789
。因此,在回溯时只需进行一次线性的回溯即可(24 次)。而不会像前面分析的第一种正则一样,有多种“可能”的匹配方式。
在了解了悲观回溯为何会导致性能问题后,就可以考虑如何解决这个问题。要解决这个问题,大概有以下几个思路:
思路一: 禁止回溯
这个思路很直接,既然回溯可能有性能问题,那我们是否可以禁止正则表达式进行回溯呢。
答案是:可以。
有两种语法可以防止回溯:
有限量词(Possessive Quantifiers)
原子分组(Atomic Grouping)
关于这两种语法,感兴趣的同学可以自行 Google。在此不详细解释。因为这两种语法在 JavaScript 中均不被支持。
思路二:避免导致性能问题的回溯
这个思路也比较容易想到。其实经过思考不难想到。两种模式的正则表达式很可能会导致有性能问题的回溯。
前后重复的模式。 例如 /x*x*/
。虽然这个例子看起来很“弱智”,但是当规则变复杂时,每一个 x
又可能是由多个子表达式组成的。当这些子表达式存在逻辑上的交集时,就可能会出现性能问题。
嵌套的量词。例如 /(x*)*/
。包括文中提到的第一个正则也属于这种模式。
当我们在编写正则表达式时写出了这种模式的时候,大家就要谨慎起来。考虑一下是否有潜在的性能问题,是否有更好的写法了。
思路三:不使用正则表达式
其实像文中举的这个例子,甚至都没必要使用正则表达式。直接写一个 JavaScript 函数,按逗号切分字符串,逐个字符判断即可。而且可以保证代码的性能是线性的。
思路四:避免性能问题影响页面响应
在必须使用正则表达式,且的确有潜在的性能问题的情况下。要避免正则表达式的性能影响到页面响应。一种可能的方式是像 regex101 一样把正则表达式的匹配操作放到 Service Worker中进行。
如果你还想了解更多相关信息,可以阅读以下链接。
Regex Tutorial - Repetition with Star and Plus
Regex Tutorial - Possessive Quantifiers
Regex Tutorial - Atomic Grouping
Runaway Regular Expressions: Catastrophic Backtracking
Catastrophic Backtracking ‒ When Regular Expressions Explode