使用正则表达式的大字符串的灾难性回溯问题

Question

我正在尝试捕获两个字符串之间的所有内容，问题是我想要捕获的这个字符串可能长达3000行数字和逗号。因此，当这种情况发生时，我会遇到一个灾难性的回溯错误。

这是我正在使用的正则表达式，也是下面的示例数据

NEM12[sS]+?</CSVIntervalData>

<。CSVIntervalData>100，NEM12201807290900，WBAYM，EEQ2003030910307，B1E1K1Q1,03，B1，N191111580，kWh，30，30020180728，.278，.278、.278、.278、.278，.278、.278，.278，.278和.278，.056，0,0,0,0,0,0，0,0,0，,0,0,00,,0,0,00,0,0,00,074，.778，.278,278，.288，.278，900<CSVIntervalData>

注意，之间可以有一千行数字、点和逗号

Answer 1

您的正则表达式基于惰性匹配模式，这意味着如果需要匹配的字符串很长，正则表达式引擎会有很大的开销。当NEM12匹配时，尝试</CSVIntervalData>，一旦引擎找不到它，它就会扩展[sS]*?模式，匹配任何字符，然后再次重新测试</CSVIntervalData>模式，以此类推，您可能遇到了问题(在regex101中，您通常会看到超时问题，而不是灾难性的回溯，因为lazy模式没有回溯，只有贪婪模式才会触发回溯(。

你可以做的是打开懒惰模式：

NEM12[^<]*(?:<(?!/CSVIntervalData>)[^<]*)*</CSVIntervalData>

请参阅regex演示(注意317步与46步的区别(。

用<以外的[^<]*(?:<(?!/CSVIntervalData>)[^<]*)*:0+个字符替换[sS]*?，然后用<以外的任何0+个字母替换不跟/CSVIntervalData>的<的任意0+序列。虽然它更长，但它可以按块匹配文本，并且在预期匹配时间较长的情况下更快、更可靠。如果文本在分隔符之间包含太多连续的<字符，则速度不会那么快，但实际数据通常不是这样。

如果您需要捕获这两个字符串NEM12和</CSVIntervalData>之间的内容，请不要忘记捕获组：

NEM12([^<]*(?:<(?!/CSVIntervalData>)[^<]*)*)</CSVIntervalData>
^                                     ^    

请参阅此regex演示。