關注Java後端技術棧“
回覆“面試”獲取最新資料
案例
在一次小型項目開發中，我遇到過這樣一個問題。爲了宣傳新品，我們開發了一個小程序，按照之前評估的訪問量，這次活動預計參與用戶量 30W+，TPS（每秒事務處理量）最高 3000 左右。
這個結果來自我對接口做的微基準性能測試。我習慣使用 ab 工具（通過 yum -y install httpd-tools 可以快速安裝）在另一臺機器上對 http 請求接口進行測試。
我可以通過設置 -n 請求數 /-c 併發用戶數來模擬線上的峯值請求，再通過 TPS、RT（每秒響應時間）以及每秒請求時間分佈情況這三個指標來衡量接口的性能，如下圖所示（圖中隱藏部分爲我的服務器地址）：
就在做性能測試的時候，我發現有一個提交接口的 TPS 一直上不去，按理說這個業務非常簡單，存在性能瓶頸的可能性並不大。
我迅速使用了排除法查找問題。首先將方法裏面的業務代碼全部註釋，留一個空方法在這裏，再看性能如何。這種方式能夠很好地區分是框架性能問題，還是業務代碼性能問題。
我快速定位到了是業務代碼問題，就馬上逐一查看代碼查找原因。我將插入數據庫操作代碼加上之後，TPS 稍微下降了，但還是沒有找到原因。最後，就只剩下 Split() 方法操作了，果然，我將 Split() 方法加入之後，TPS 明顯下降了。
可是一個 Split() 方法爲什麼會影響到 TPS 呢？下面我們就來了解下正則表達式的相關內容，學完了答案也就出來了。以下是java.lang.String的源碼：
什麼是正則表達式？
很基礎，這裏帶你簡單回顧一下。
正則表達式是計算機科學的一個概念，很多語言都實現了它。正則表達式使用一些特定的元字符來檢索、匹配以及替換符合規則的字符串。
正則表達式語法
構造正則表達式語法的元字符：
普通字符
標準字符、
限定字符（量詞）、
定位字符（邊界字符）
詳情可見下圖：
正則表達式引擎
正則表達式是一個用正則符號寫出的公式，程序對這個公式進行語法分析，建立一個語法分析樹，再根據這個分析樹結合正則表達式的引擎生成執行程序（這個執行程序我們把它稱作狀態機，也叫狀態自動機），用於字符匹配。
而這裏的正則表達式引擎就是一套核心算法，用於建立狀態機。
目前實現正則表達式引擎的方式有兩種：DFA 自動機（Deterministic Final Automata 確定有限狀態自動機）和 NFA 自動機（Non deterministic Finite Automaton 非確定有限狀態自動機）。
對比來看，構造 DFA 自動機的代價遠大於 NFA 自動機，但 DFA 自動機的執行效率高於 NFA 自動機。
假設一個字符串的長度是 n，如果用 DFA 自動機作爲正則表達式引擎，則匹配的時間複雜度爲 O(n)；如果用 NFA 自動機作爲正則表達式引擎，由於 NFA 自動機在匹配過程中存在大量的分支和回溯，假設 NFA 的狀態數爲 s，則該匹配算法的時間複雜度爲 O（ns）。
NFA 自動機的優勢是支持更多功能。例如，捕獲 group、環視、佔有優先量詞等高級功能。這些功能都是基於子表達式獨立進行匹配，因此在編程語言裏，使用的正則表達式庫都是基於 NFA 實現的。
那麼 NFA 自動機到底是怎麼進行匹配的呢？我以下面的字符和表達式來舉例說明。
text = "aabcab"
regex = "bc"
NFA 自動機會讀取正則表達式的每一個字符，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，反之就繼續和目標字符串的下一個字符進行匹配。分解一下過程。
首先，讀取正則表達式的第一個匹配符和字符串的第一個字符進行比較，b 對 a，不匹配；繼續換字符串的下一個字符，也是 a，不匹配；繼續換下一個，是 b，匹配。
然後，同理，讀取正則表達式的第二個匹配符和字符串的第四個字符進行比較，c 對 c，匹配；繼續讀取正則表達式的下一個字符，然而後面已經沒有可匹配的字符了，結束。
這就是 NFA 自動機的匹配過程，雖然在實際應用中，碰到的正則表達式都要比這複雜，但匹配方法是一樣的。
NFA 自動機的回溯
用 NFA 自動機實現的比較複雜的正則表達式，在匹配過程中經常會引起回溯問題。大量的回溯會長時間地佔用 CPU，從而帶來系統性能開銷。我來舉例說明。
text = "abbc"regex = "ab{1,3}c"
這個例子，匹配目的比較簡單。匹配以 a 開頭，以 c 結尾，中間有 1-3 個 b 字符的字符串。NFA 自動機對其解析的過程是這樣的：
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 進行比較，a 對 a，匹配。
然後，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 進行比較，匹配。但因爲 b{1,3} 表示 1-3 個 b 字符串，NFA 自動機又具有貪婪特性，所以此時不會繼續讀取正則表達式的下一個匹配符，而是依舊使用 b{1,3} 和字符串的第三個字符 b 進行比較，結果還是匹配。
接着繼續使用 b{1,3} 和字符串的第四個字符 c 進行比較，發現不匹配了，此時就會發生回溯，已經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 b 的位置。
那麼發生回溯以後，匹配過程怎麼繼續呢？程序會讀取正則表達式的下一個匹配符 c，和字符串中的第四個字符 c 進行比較，結果匹配，結束。
如何避免回溯問題？
既然回溯會給系統帶來性能開銷，那我們如何應對呢？如果你有仔細看上面那個案例的話，你會發現 NFA 自動機的貪婪特性就是導火索，這和正則表達式的匹配模式息息相關，一起來了解一下。
1. 貪婪模式（Greedy）
顧名思義，就是在數量匹配中，如果單獨使用 +、 ? 、* 或{min,max} 等量詞，正則表達式會匹配儘可能多的內容。
例如，上邊那個例子：
text = "abbc"regex = "ab{1,3}c"
就是在貪婪模式下，NFA 自動機讀取了最大的匹配範圍，即匹配 3 個 b 字符。匹配發生了一次失敗，就引起了一次回溯。如果匹配結果是“abbbc”，就會匹配成功。
text = "abbbc"
regex = "ab{1,3}c"
2. 懶惰模式（Reluctant）
在該模式下，正則表達式會儘可能少地重複匹配字符。如果匹配成功，它會繼續匹配剩餘的字符串。
例如，在上面例子的字符後面加一個“？”，就可以開啓懶惰模式。
text = "abc"
regex = "ab{1,3}?c"
匹配結果是“abc”，該模式下 NFA 自動機首先選擇最小的匹配範圍，即匹配 1 個 b 字符，因此就避免了回溯問題。
3. 獨佔模式（Possessive）
同貪婪模式一樣，獨佔模式一樣會最大限度地匹配更多內容；不同的是，在獨佔模式下，匹配失敗就會結束匹配，不會發生回溯問題。
還是上邊的例子，在字符後面加一個“+”，就可以開啓獨佔模式。
text = "abbc"
regex = "ab{1,3}+bc"
結果是不匹配，結束匹配，不會發生回溯問題。講到這裏，你應該非常清楚了，避免回溯的方法就是：使用懶惰模式和獨佔模式。
還有開頭那道“一個 split() 方法爲什麼會影響到 TPS”的存疑，你應該也清楚了吧？
我使用了 split() 方法提取域名，並檢查請求參數是否符合規定。split() 在匹配分組時遇到特殊字符產生了大量回溯，我當時是在正則表達式後加了一個需要匹配的字符和“+”，解決了這個問題。
\\?(([A-Za-z0-9-~_=%]++\\&{0,1})+)正則表達式的優化
正則表達式帶來的性能問題，給我敲了個警鐘，在這裏我也希望分享給你一些心得。任何一個細節問題，都有可能導致性能問題，而這背後折射出來的是我們對這項技術的瞭解不夠透徹。所以我鼓勵你學習性能調優，要掌握方法論，學會透過現象看本質。下面我就總結幾種正則表達式的優化方法給你。
1. 少用貪婪模式，多用獨佔模式
貪婪模式會引起回溯問題，我們可以使用獨佔模式來避免回溯。前面詳解過了，這裏我就不再解釋了。
2. 減少分支選擇
分支選擇類型“(X|Y|Z)”的正則表達式會降低性能，我們在開發的時候要儘量減少使用。如果一定要用，我們可以通過以下幾種方式來優化：
首先，我們需要考慮選擇的順序，將比較常用的選擇項放在前面，使它們可以較快地被匹配；
其次，我們可以嘗試提取共用模式，例如，將“(abcd|abef)”替換爲“ab(cd|ef)”，後者匹配速度較快，因爲 NFA 自動機會嘗試匹配 ab，如果沒有找到，就不會再嘗試任何選項；
最後，如果是簡單的分支選擇類型，我們可以用三次 index 代替“(X|Y|Z)”，如果測試的話，你就會發現三次 index 的效率要比“(X|Y|Z)”高出一些。
3. 減少捕獲嵌套
在講這個方法之前，我先簡單介紹下什麼是捕獲組和非捕獲組。
捕獲組是指把正則表達式中，子表達式匹配的內容保存到以數字編號或顯式命名的數組中，方便後面引用。一般一個 () 就是一個捕獲組，捕獲組可以進行嵌套。
非捕獲組則是指參與匹配卻不進行分組編號的捕獲組，其表達式一般由（?:exp）組成。
在正則表達式中，每個捕獲組都有一個編號，編號 0 代表整個匹配到的內容。我們可以看下面的例子：
運行結果：
如果你並不需要獲取某一個分組內的文本，那麼就使用非捕獲分組。例如，使用“(?:X)”代替“(X)”，我們再看下面的例子：
運行結果：
綜上可知：減少不需要獲取的分組，可以提高正則表達式的性能。
總結
正則表達式雖然小，卻有着強大的匹配功能。我們經常用到它，比如，註冊頁面手機號或郵箱的校驗。
但很多時候，我們又會因爲它小而忽略它的使用規則，測試用例中又沒有覆蓋到一些特殊用例，不乏上線就中招的情況發生。
綜合我以往的經驗來看，如果使用正則表達式能使你的代碼簡潔方便，那麼在做好性能排查的前提下，可以去使用；如果不能，那麼正則表達式能不用就不用，以此避免造成更多的性能問題。
推薦閱讀往期好文，篇篇都有精彩～