Java 正则表达式匹配开始/结束标签会导致堆栈溢出

Question

Java

Pattern

类的标准实现使用递归来实现多种形式的正则表达式（例如，某些运算符、交替）。

这种方法会导致输入字符串超出（相对较小）长度时出现堆栈溢出问题，长度甚至可能不超过 1,000 个字符，具体取决于所涉及的正则表达式。

一个典型的示例是以下正则表达式，它使用交替从已提供的周围 XML 字符串中提取可能的多行元素（名为

Data

）：

<Data>(?<data>(?:.|\r|\n)+?)</Data>

上面的正则表达式与

Matcher.find()

方法一起使用来读取“数据”捕获组并按预期工作，直到提供的输入字符串的长度超过 1,200 个字符左右，在这种情况下会导致堆栈溢出。

可以重写上面的正则表达式来避免堆栈溢出问题吗？

Answer 1

有关堆栈溢出问题的起源的更多详细信息：

有时正则表达式

Pattern

 类会抛出 

StackOverflowError

。这是 

已知错误 #5050507 的表现，该错误自 Java 1.4 以来一直存在于 java.util.regex

 包中。该错误会一直存在，因为它处于“无法修复”状态。发生此错误的原因是 

Pattern

 类将正则表达式编译成一个小程序，然后执行该程序以查找匹配项。该程序是递归使用的，有时当递归调用太多时会出现此错误。有关更多详细信息，请参阅

错误描述。 看来主要是通过使用交替来触发的。

您的正则表达式（有交替）匹配两个标签之间的任何 1 个以上字符。

您可以使用带有

Pattern.DOTALL

 修饰符（或等效的嵌入标志 

(?s)

）的惰性点匹配模式，这将使 

.

 也匹配换行符：

(?s)<Data>(?<data>.+?)</Data> 参见

这个正则表达式演示

但是，在输入量巨大的情况下，惰性点匹配模式仍然会消耗大量内存。最好的方法是使用

unroll-the-loop 方法:

<Data>(?<data>[^<]*(?:<(?!/?Data>)[^<]*)*)</Data> 查看

正则表达式演示

详情：

• <Data>

   - 文字文本 

  <Data>
• (?<data>

   - 捕获组“数据”的开始
  
  

  • [^<]*

     - 除 

    < 之外的零个或多个字符
  • (?:<(?!/?Data>)[^<]*)*

     - 0 个或多个序列：
    
    

    • <(?!/?Data>)

       - 后面不跟 

      <

       或 

      Data> 的

      /Data>

    • [^<]*

       - 除 

      < 之外的零个或多个字符
• )

   - “数据”组结束

• </Data>

   - 结束分隔符