导致 StackoverFlow 的正则表达式模式

Question

我正在 JAVA8 中进行一个项目，我想从目录或 link 中获取 HTML 文件，并删除所有样式和脚本文件中的标签和 return 剩下的内容。这是在大量文件上迭代执行的。

现在这些是我用来删除指定标签的两种不同的正则表达式模式。

//remove style tags and style tag content
update = update.replaceAll("<style\b[^<]*(?:(?!</style>)<[^<]*)*</style>", "");

//remove script tags and script tag content
update = update.replaceAll("<script[\s\S]*?>[\s\S]*?</script>", "");

这在一段时间内有效，但似乎偶尔会遇到 java.lang.WhosebugError。

我认为当文件太大时会发生这种情况。我做了一些研究，发现如果您在模式中使用 "|" 就会发生这种情况，因为此运算符使用递归，这可能会占用大量内存，具体取决于遍历的级别数。

我已经设法在不同的测试文件上反复使用这些模式多达 1000 次。

我的问题是：有人看到这些模式会使用递归吗？或任何暗示模式本身是导致溢出的原因？

如果没有，也许我有办法将字符串减小到不会导致过载的大小。

使用 print 语句似乎在尝试匹配模式时可能会发生溢出：

"<script[\s\S]*?>[\s\S]*?</script>"

此外，有人告诉我可以改用这个：

"<script[\s\S]+?>[\s\S]+?</script>"

因为这并没有向前看那么远。此模式在 Regexr 中有效，但在 JAVA 应用程序中实施后未提供相同的输出。

这是我收到的堆栈跟踪：

Exception in thread "main" java.lang.WhosebugError
at java.util.regex.Pattern$Curly.match0(Pattern.java:4252)
at java.util.regex.Pattern$Curly.match(Pattern.java:4236)
at java.util.regex.Pattern$BmpCharProperty.match(Pattern.java:3800)
at java.util.regex.Pattern$Neg.match(Pattern.java:5099)
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4660)
at java.util.regex.Pattern$Loop.match(Pattern.java:4787)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4719)
at java.util.regex.Pattern$Curly.match0(Pattern.java:4274)

我乐于接受任何建议。先谢谢你了。

Answer 1

我最终结合了 VGR 和 MatthewGreen 的答案。 Re2j solved my regex problem and increased the performance of the matching. - ultimately I decided to depend less on regex for this and instead use JSoup 用于解析和正则表达式以在删除不需要的元素后从文档中提取我想要的内容。

导致 StackoverFlow 的正则表达式模式

Regex Patterns causing StackoverFlow

java

regex

stack-overflow

string