正则表达式中的回溯比预期的要快

Question

根据perlre，执行以下代码需要几秒钟：

$ time perl -E '$_="((()" . ("a") x 18;  say "ok" if m{ \(([^()]+|\( [^()]* \))+\)}x;'

real    0m0.006s
user    0m0.000s
sys 0m0.005s

文档说：

Consider how the pattern above detects no-match on ((()aaaaaaaaaaaaaaaaaa in several seconds, but that each extra letter doubles this time.

如图所示，在我的笔记本电脑上只需要几分之一秒...... 即使运行一百万 a 也能在半秒内完成：

$ time perl -E '$_="((()" . ("a") x 1000000;  say "ok" if m{ \(([^()]+|\( [^()]* \))+\)}x;'

real    0m0.454s
user    0m0.446s
sys 0m0.008s

我在这里错过了什么？

Answer 1

您可以使用以下技巧来了解正则表达式引擎在做什么：

use re 'debug';

例如：

use strict;
use warnings;
use re 'debug'; 

my $str = "a" x 18;

$str =~ m{ \(([^()]+|\( [^()]* \))+\)}x;

然后这将打印正则表达式引擎实际在做什么：

Compiling REx " \(([^()]+|\( [^()]* \))+\)"
Final program:
   1: EXACT <(> (3)
   3: CURLYX[0] {1,32767} (40)
   5:   OPEN1 (7)
   7:     BRANCH (20)
   8:       PLUS (37)
   9:         ANYOF[^()][{above_bitmap_all}] (0)
  20:     BRANCH (FAIL)
  21:       EXACT <(> (23)
  23:       STAR (35)
  24:         ANYOF[^()][{above_bitmap_all}] (0)
  35:       EXACT <)> (37)
  37:   CLOSE1 (39)
  39: WHILEM[1/3] (0)
  40: NOTHING (41)
  41: EXACT <)> (43)
  43: END (0)
anchored "(" at 0 floating ")" at 2..2147483647 (checking floating) minlen 3 
Matching REx " \(([^()]+|\( [^()]* \))+\)" against "aaaaaaaaaaaaaaaaaa"
Intuit: trying to determine minimum start position...
  doing 'check' fbm scan, [2..18] gave -1
  Did not find floating substr ")"...
Match rejected by optimizer
Freeing REx: " \(([^()]+|\( [^()]* \))+\)"

如果您重新添加括号，您会得到不同的结果 - 我需要大约 2000 步来处理正则表达式。每增加一个字母，它就会变长——大约 300 步。

所以我会说是的——灾难性的回溯正在发生，但您可能会发现处理器（和正则表达式引擎优化）意味着时间要短得多。

use strict;
use warnings;
use re 'debug'; 

my $str = "((()"."a" x 100_000;
$str =~ m{ \(([^()]+|\( [^()]* \))+\)}x;

运行时间相当长 - 但至少有一部分是因为将文本打印到屏幕上实际上相当 'expensive'。

我的测试表明（"a" 的数量）

10 : 1221 lines of output (broadly correlated with regex steps)
11 : 1324 (+103)
12 : 1467 (+143)
13 : 1590 (+129)
14 : 1728 (+138)
15 : 1852 (+124)

20 : 2630 (approx +155/extra)
30 : 4536 (+190/extra)
40 : 6940 (+240/extra)
50 : 9846 (+290/extra)

100 - 31,846 (+440/extra letter)

所以看起来确实像指数行为一样 - 但在这两种情况下，处理时间仍然非常快，我将其归因于更快的 cpus（以及可能更好的正则表达式引擎优化）

Answer 2

Consider how the pattern above detects no-match on ((()aaaaaaaaaaaaaaaaaa in several seconds.

这句话至少可以追溯到2001年4月，当时发布了perl 5.6.1。您可以在 search.cpan.org/~gsar/perl-5.6.1/pod/perlre.pod.

查看该版本的 perlre 手册页

这也许是在记录软件方面要吸取的教训。小心你写的东西，因为你写的文字将保持不变，尽管经过多年的改进和其他人的多次分叉。

正则表达式中的回溯比预期的要快

Backtracking in regexp faster than expected

regex

perl

backtracking