摘要：我將上面校驗的正則表達式的第二部分后面加多了個號，即變成這樣這里加了個號這樣之后，運行原有的程序就沒有問題了。

正則表達式是程序員經(jīng)常使用的工具之一。本文作者通過一個正則表達式的陷阱，先深入剖析了出現(xiàn)問題的原因，后給出怎么處理這類問題的方法。最后還給出了一些檢測常見正則表達式問題的工具，十分值得深入研究。

前幾天線上一個項目監(jiān)控信息突然報告異常，上到機器上后查看相關(guān)資源的使用情況，發(fā)現(xiàn) CPU 利用率將近 100%。通過 Java 自帶的線程 Dump 工具，我們導出了出問題的堆棧信息。

我們可以看到所有的堆棧都指向了一個名為 validateUrl 的方法，這樣的報錯信息在堆棧中一共超過 100 處。通過排查代碼，我們知道這個方法的主要功能是校驗 URL 是否合法。

很奇怪，一個正則表達式怎么會導致 CPU 利用率居高不下。為了弄清楚復現(xiàn)問題，我們將其中的關(guān)鍵代碼摘抄出來，做了個簡單的單元測試。

當我們運行上面這個例子的時候，通過資源監(jiān)視器可以看到有一個名為 java 的進程 CPU 利用率直接飆升到了 91.4% 。

看到這里，我們基本可以推斷，這個正則表達式就是導致 CPU 利用率居高不下的兇手！

于是，我們將排錯的重點放在了那個正則表達式上：

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~/])+$

這個正則表達式看起來沒什么問題，可以分為三個部分：

第一部分匹配 http 和 https 協(xié)議，第二部分匹配 www. 字符，第三部分匹配許多字符。我看著這個表達式發(fā)呆了許久，也沒發(fā)現(xiàn)沒有什么大的問題。

其實這里導致 CPU 使用率高的關(guān)鍵原因就是：Java 正則表達式使用的引擎實現(xiàn)是 NFA 自動機，這種正則表達式引擎在進行字符匹配時會發(fā)生回溯（backtracking）。而一旦發(fā)生回溯，那其消耗的時間就會變得很長，有可能是幾分鐘，也有可能是幾個小時，時間長短取決于回溯的次數(shù)和復雜度。

看到這里，可能大家還不是很清楚什么是回溯，還有點懵。沒關(guān)系，我們一點點從正則表達式的原理開始講起。

正則表達式引擎

正則表達式是一個很方便的匹配符號，但要實現(xiàn)這么復雜，功能如此強大的匹配語法，就必須要有一套算法來實現(xiàn)，而實現(xiàn)這套算法的東西就叫做正則表達式引擎。簡單地說，實現(xiàn)正則表達式引擎的有兩種方式：DFA 自動機（Deterministic Final Automata 確定型有窮自動機）和 NFA 自動機（Non deterministic Finite Automaton 不確定型有窮自動機）。

對于這兩種自動機，他們有各自的區(qū)別，這里并不打算深入將它們的原理。簡單地說，DFA 自動機的時間復雜度是線性的，更加穩(wěn)定，但是功能有限。而 NFA 的時間復雜度比較不穩(wěn)定，有時候很好，有時候不怎么好，好不好取決于你寫的正則表達式。但是勝在 NFA 的功能更加強大，所以包括 Java 、.NET、Perl、Python、Ruby、PHP 等語言都使用了 NFA 去實現(xiàn)其正則表達式。

那 NFA 自動加到底是怎么進行匹配的呢？我們以下面的字符和表達式來舉例說明。

text="Today is a nice day."regex="day"

要記住一個很重要的點，即：NFA 是以正則表達式為基準去匹配的。也就是說，NFA 自動機會讀取正則表達式的一個一個字符，然后拿去和目標字符串匹配，匹配成功就換正則表達式的下一個字符，否則繼續(xù)和目標字符串的下一個字符比較。或許你們聽不太懂，沒事，接下來我們以上面的例子一步步解析。

首先，拿到正則表達式的第一個匹配符：d。于是那去和字符串的字符進行比較，字符串的第一個字符是 T，不匹配，換下一個。第二個是 o，也不匹配，再換下一個。第三個是 d，匹配了，那么就讀取正則表達式的第二個字符：a。

讀取到正則表達式的第二個匹配符：a。那著繼續(xù)和字符串的第四個字符 a 比較，又匹配了。那么接著讀取正則表達式的第三個字符：y。

讀取到正則表達式的第三個匹配符：y。那著繼續(xù)和字符串的第五個字符 y 比較，又匹配了。嘗試讀取正則表達式的下一個字符，發(fā)現(xiàn)沒有了，那么匹配結(jié)束。

上面這個匹配過程就是 NFA 自動機的匹配過程，但實際上的匹配過程會比這個復雜非常多，但其原理是不變的。

NFA自動機的回溯

了解了 NFA 是如何進行字符串匹配的，接下來我們就可以講講這篇文章的重點了：回溯。為了更好地解釋回溯，我們同樣以下面的例子來講解。

text="abbc"regex="ab{1,3}c"

上面的這個例子的目的比較簡單，匹配以 a 開頭，以 c 結(jié)尾，中間有 1-3 個 b 字符的字符串。NFA 對其解析的過程是這樣子的：

首先，讀取正則表達式第一個匹配符 a 和 字符串第一個字符 a 比較，匹配了。于是讀取正則表達式第二個字符。

讀取正則表達式第二個匹配符 b{1,3} 和字符串的第二個字符 b 比較，匹配了。但因為 b{1,3} 表示 1-3 個 b 字符串，以及 NFA 自動機的貪婪特性（也就是說要盡可能多地匹配），所以此時并不會再去讀取下一個正則表達式的匹配符，而是依舊使用 b{1,3} 和字符串的第三個字符 b 比較，發(fā)現(xiàn)還是匹配。于是繼續(xù)使用 b{1,3} 和字符串的第四個字符 c 比較，發(fā)現(xiàn)不匹配了。此時就會發(fā)生回溯。

發(fā)生回溯是怎么操作呢？發(fā)生回溯后，我們已經(jīng)讀取的字符串第四個字符 c 將被吐出去，指針回到第三個字符串的位置。之后，程序讀取正則表達式的下一個操作符 c，讀取當前指針的下一個字符 c 進行對比，發(fā)現(xiàn)匹配。于是讀取下一個操作符，但這里已經(jīng)結(jié)束了。

下面我們回過頭來看看前面的那個校驗 URL 的正則表達式：

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~/])+$

出現(xiàn)問題的 URL 是：

http://www.fapiao.com/dzfp-web/pdf/download?request=6e7JGm38jfjghVrv4ILd-kEn64HcUX4qL4a4qJ4-CHLmqVnenXC692m74H5oxkjgdsYazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf

我們把這個正則表達式分為三個部分：

第一部分：校驗協(xié)議。^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)。

第二部分：校驗域名。(([A-Za-z0-9-~]+).)+。

第三部分：校驗參數(shù)。([A-Za-z0-9-~/])+$。

我們可以發(fā)現(xiàn)正則表達式校驗協(xié)議 http:// 這部分是沒有問題的，但是在校驗 www.fapiao.com 的時候，其使用了 xxxx. 這種方式去校驗。那么其實匹配過程是這樣的：

匹配到 www.

匹配到 fapiao.

匹配到 com/dzfp-web/pdf/download?request=6e7JGm38jf.....，你會發(fā)現(xiàn)因為貪婪匹配的原因，所以程序會一直讀后面的字符串進行匹配，最后發(fā)現(xiàn)沒有點號，于是就一個個字符回溯回去了。

這是這個正則表達式存在的第一個問題。

另外一個問題是在正則表達式的第三部分，我們發(fā)現(xiàn)出現(xiàn)問題的 URL 是有下劃線（_）和百分號（%）的，但是對應(yīng)第三部分的正則表達式里面卻沒有。這樣就會導致前面匹配了一長串的字符之后，發(fā)現(xiàn)不匹配，最后回溯回去。這是這個正則表達式存在的第二個問題。

解決方案

明白了回溯是導致問題的原因之后，其實就是減少這種回溯，你會發(fā)現(xiàn)如果我在第三部分加上下劃線和百分號之后，程序就正常了。

運行上面的程序，立刻就會打印出match!!。

但這是不夠的，如果以后還有其他 URL 包含了亂七八糟的字符呢，我們難不成還再修改一遍。肯定不現(xiàn)實嘛！

其實在正則表達式中有這么三種模式：貪婪模式、懶惰模式、獨占模式。

在關(guān)于數(shù)量的匹配中，有 + ? * {min,max} 四種兩次，如果只是多帶帶使用，那么它們就是貪婪模式。

如果在他們之后加多一個 ? 符號，那么原先的貪婪模式就會變成懶惰模式，即盡可能少地匹配。但是懶惰模式還是會發(fā)生回溯現(xiàn)象的。TODO例如下面這個例子：

text="abbc"regex="ab{1,3}?c"

正則表達式的第一個操作符 a 與 字符串第一個字符 a 匹配，匹配成。于是正則表達式的第二個操作符 b{1,3}? 和 字符串第二個字符 b 匹配，匹配成功。因為最小匹配原則，所以拿正則表達式第三個操作符 c 與字符串第三個字符 b 匹配，發(fā)現(xiàn)不匹配。于是回溯回去，拿正則表達式第二個操作符 b{1,3}? 和字符串第三個字符 b 匹配，匹配成功。于是再拿正則表達式第三個操作符 c 與字符串第四個字符 c 匹配，匹配成功。于是結(jié)束。

如果在他們之后加多一個 + 符號，那么原先的貪婪模式就會變成獨占模式，即盡可能多地匹配，但是不回溯。

于是乎，如果要徹底解決問題，就要在保證功能的同時確保不發(fā)生回溯。我將上面校驗 URL 的正則表達式的第二部分后面加多了個 + 號，即變成這樣：

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)++ ? ?--->>> （這里加了個+號）([A-Za-z0-9-~/])+$

這樣之后，運行原有的程序就沒有問題了。

最后推薦一個網(wǎng)站，這個網(wǎng)站可以檢查你寫的正則表達式和對應(yīng)的字符串匹配時會不會有問題[1]。

例如我本文中存在問題的那個 URL 使用該網(wǎng)站檢查后會提示：catastrophic backgracking（災(zāi)難性回溯）。

當你點擊左下角的「regex debugger」時，它會告訴你一共經(jīng)過多少步檢查完畢，并且會將所有步驟都列出來，并標明發(fā)生回溯的位置。

本文中的這個正則表達式在進行了 11 萬步嘗試之后，自動停止了。這說明這個正則表達式確實存在問題，需要改進。

但是當我用我們修改過的正則表達式進行測試，即下面這個正則表達式。

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)++([A-Za-z0-9-~/])+$

工具提示只用了 58 步就完成了檢查。

一個字符的差別，性能就差距了好幾萬倍。

樹義有話說

一個小小的正則表達式竟然能夠把 CPU 拖垮，也是很神奇了。這也給平時寫程序的我們一個警醒，遇到正則表達式的時候要注意貪婪模式和回溯問題，否則我們每寫的一個表達式都是一個雷。

通過查閱網(wǎng)上資料，我發(fā)現(xiàn)深圳阿里中心 LAZADA 的同學也在 17 年遇到了這個問題。他們同樣也是在測試環(huán)境沒有發(fā)現(xiàn)問題，但是一到線上的時候就發(fā)生了 CPU 100% 的問題，他們遇到的問題幾乎跟我們的一模一樣。有興趣的朋友可查看他們后期總結(jié)的文章[2]

雖然把這篇文章寫完了，但是關(guān)于 NFA 自動機的原理方面，特別是關(guān)于懶惰模式、獨占模式的解釋方面還是沒有解釋得足夠深入。因為 NFA 自動機確實不是那么容易理解，所以在這方面還需要不斷學習加強。歡迎有懂行的朋友來學習交流，互相促進。

文中鏈接：

[1] https://regex101.com

[2] http://www.cnblogs.com/study-everyday/p/7426862.html

軟件開發(fā)技術(shù)群

興趣范圍包括：Java，C/C++，Python，PHP，Ruby，shell等各種語言開發(fā)經(jīng)驗交流，各種框架使用，外包項目機會，學習、培訓、跳槽等交流

QQ群：26931708

Hadoop源代碼研究群

興趣范圍包括：Hadoop源代碼解讀，改進，優(yōu)化，分布式系統(tǒng)場景定制，與Hadoop有關(guān)的各種開源項目，總之就是玩轉(zhuǎn)Hadoop

QQ群：288410967?