优化正则表达式以进行 HTML 解析

Question

我使用这个正则表达式：

.*[hH]([1-9])\.\s*(.*)\s*

使用 Java 和 Matcher.find() 方法。

在长文本上，此正则表达式需要花费大量时间才能找到结果。

如何优化正则表达式？有人可以向我提出一些优化的正则表达式吗？

Answer 1

你可以使用这个：

[hH]([1-9])\.\s*+(\S+)

其中\S是不是白色字符的全部（\s的否定）

所有格量词*+用于禁止回溯。

正如伊恩·罗伯茨（Ian Roberts）在他的评论中注意到的那样，领先的(.*)在这里似乎毫无用处。

Answer 2

您应该在尝试对长文本运行正则表达式之前对其进行测试。

String longText=...
if(longText.matches(myRegex)) {
    //Matcher.find
}

这样你就不会浪费你的时间。

但是，如果您真的面对长文本，我可以建议您使用功能强大的 html 解析器 Jsoup 吗？