正则匹配卡死是怎么回事?三个最常见的写法
一段短短的正则把页面卡死,通常是回溯爆炸。这篇讲哪三种写法最容易出事、怎么改,以及写正则时先测哪些样本。
有一种 bug 很难查:页面突然卡住、接口超时,日志里什么都没报,重启就好。有时罪魁祸首是一段看起来完全正确的正则。
这类问题的学名叫灾难性回溯(catastrophic backtracking):正则引擎在反复尝试各种可能的匹配方式,尝试次数随输入长度指数增长。
01写法一:嵌套量词
外面一个大范围重复,里面又是一个重复,两个叠在一起就危险:
(a+)+b —— 拿一串 a 去配它,但末尾没有 b,引擎会把所有「怎么切分这串 a」的组合都试一遍。10 个 a 就是上千次,30 个 a 就是十亿次量级。
改法:能不用嵌套就不用。多数场景可以换成非捕获组或者直接把内层量词定死(a{1,5})。
02写法二:量词后面跟一个「可为空」的分支
像 (\s*|\t)* 这种,两个分支里有一个能匹配空字符串,引擎就会在「匹配空」和「匹配内容」之间反复试。
改法:把可为空的分支去掉,或者用更明确的字符类 [\s\t]* 一次性表达。
03写法三:在长文本上做「必须失败」的匹配
最容易被忽视的一种:正则本身不算糟,但被拿来处理几万字的文本,而且注定匹配不上。
比如用 ^\d+$ 去校验一段带换行的长文本 —— 因为 $ 在某些模式下允许匹配末尾换行前的位置,引擎会从头到尾试很多遍。
改法:校验前先截断或分行;能明确长度就先判长度,再做正则。
04写正则时的三条习惯
1. 先想「什么样算不匹配」。 大多数回溯问题不是因为匹配成功,而是因为大量「差一点成功」的尝试。
2. 用真实数据测,不用「aaa」。 用 aaaa 测会让问题看起来没问题;用一段真实的日志或地址测,才能暴露回溯。
3. 注意贪婪和懒惰。 .* 默认贪婪,会一路吃到结尾再往回退;.*? 是懒惰,遇到第一个可能的结尾就停。取 HTML 标签之间的内容时,用短的那次更安全。
05这些场景其实不该用正则
正则是文本匹配工具,不是解析器。以下情况用正则会很痛苦:
- 解析 HTML / XML —— 用解析器;
- 校验 JSON —— 用 JSON 解析;
- 验证邮箱 —— 严格的邮箱格式极复杂,且真正有效性的唯一验证是「发一封邮件」;
- 解析日期 —— 时区、闰年、月份天数,用日期库更省心。
判断标准很简单:如果正则写到需要三层嵌套才能表达,说明这个东西不该用正则解。
06需要的时候直接用
粘贴正则与样本,实时看到匹配结果与分组,也能对比贪婪/懒惰的差异。
打开正则测试,不用注册,内容不上传。