9

我们正试图摆脱 boost::regex ，它的性能很糟糕。根据这个基准，Oniguruma是最好的整体。

我们有多个正则表达式（并且总是在变化），我们应用于从中等（100 个字符）到巨大（1k 个字符）的字符串......所以这是一个非常异构的环境。

你们中有人成功使用过它吗？您是否建议选择 PCRE 或 RE2 等更“标准”的产品？

谢谢 ！

4

2 回答 2

9

这两种实现（FSA 和 BT）具有完全不同的行为，您可以在右侧的列（电子邮件）中看到这些行为。

oniguruma 通常很快，但如果您对特定的正则表达式“不走运”，则可能会运行缓慢。那是因为它是一种回溯算法。

相比之下，虽然 re2 通常慢一点，但它没有相同的风险 - 它的时间永远不会[*] 以相同的方式爆炸（它没有最坏情况下的指数行为）。

所以这取决于细节。如果你确信你的正则表达式是安全的，或者愿意检测并中止慢匹配，那么 oniguruma 是有意义的。但就我个人而言，我倾向于为 re2 的安全性支付更多（不多）。

有关这方面的更多信息，请参阅http://swtch.com/~rsc/regexp/regexp1.html（由 re2 作者提供）。

[*] 好吧，也许永远不会太强大。对于某些正则表达式，我认为在某些情况下它必须依靠 BT 方法（可能涉及匹配以前的匹配和前瞻）。但在大多数正则表达式上它仍然更安全。

于 2012-08-16T23:53:14.357 回答
6

我已经对以下库进行了基准测试：

  • 促进
  • 重2
  • 鬼鬼座

基准测试包括执行一系列测试，这些测试在非常异构的正则表达式上大量使用正则表达式（分组、不分组、长的（484 个字符）、短的、管道、\?、*、. 等）。应用于从几个字符到大约 8k 个字符的文本。

每次计算正则表达式匹配时，我都会存储正则表达式并增加一个毫秒计数器，以累积计算正则表达式所花费的时间（称为多次）。

以下是每个库的所有正则表达式所花费的总时间：

  • 提升：98840 毫秒
  • 回复 2：51197 毫秒
  • 鬼魂：16095 毫秒
  • re2（无 CAPUTRE* 见下文））：16162 毫秒

*我们（几乎）总是想在正则表达式中捕获组的内容，而 re2 在捕获组时表现得很糟糕（见这里）。在上面的结果中你看不到那么多，因为当组不能被捕获时，它表现得很好。例如在这个正则表达式上（执行了很多次）：

^((?:https?://)?(?:[a-z0-9\-]{1,63}\.)+(?:[a-z0-9\-]{1,63}))(?:[^\?]*).*$

以下是每个库的结果：

  • 提升：140 毫秒
  • 回复 2：5663 毫秒
  • 鬼魂：53 毫秒
  • re2（无捕获）：37 毫秒。

查看 re2 从 5663 ms 到 37 ms 的下降。

tl;博士

所以我的结论是，就我们的使用而言，Oniguruma 显然更胜一筹。

但如果你不需要捕获组，re2 是更好的选择，因为我发现它的 API 更易于使用。

于 2012-08-22T12:36:17.497 回答