讲给前端的正则表达式(4)：避免灾难性回溯[每日前端夜话0x105]
讲给前端的正则表达式(4)：避免灾难性回溯[每日前端夜话0x105]
每日前端夜话0x105
每日前端夜话，陪你聊前端。
每天晚上18:00准时推送。
正文共：1638 字
预计阅读时间：7分钟
翻译：疯狂的技术宅
作者：wanago
来源：wanago.io
前文：
正则表达式可以解决许多问题，但也有可能是使我们头痛的根源。最近 Cloudfare 的一次停机事故就是由于正则表达式导致全球大量机器上的 CPU 峰值飙升至100％【https://blog.cloudflare.com/cloudflare-outage/】。在本文中，我们将会学习需要注意的情况，例如灾难性的回溯。为了帮助我们理解问题，还分析了贪婪和懒惰量词以及为什么 lookahead 可能会有所帮助。
有些人遇到问题时会想：“我知道，我将使用正则表达式。”现在他们有两个问题了。 Jamie Zawinski
正则表达式带来的麻烦 来源：xkcd.com
如果你遇到了 Perl 的问题我很为你担忧，孩子—— 我遇到了99个问题， 所以我用了正则表达式， 现在我有100个问题了。
深入研究量词
正则表达式引擎非常复杂。尽管我们可以用 regexp 创造奇迹，但需要考虑可能会遇到的一些问题。所以需要更深入地研究如何去执行某些正则表达式。
贪婪量词
在本系列文章的前几部分中，我们使用了 + 之类的量词。它告诉引擎至少匹配一个。
const expression = /e+/;
expression.test('Hello!'); // true
expression.test('Heeeeello!'); // true
expression.test('Hllo!'); // false
让我们仔细看看第二个例子：/e+/.test('Heeeeello!')。我们可能想知道用这个表达式匹配多少个字母。
由于默认情况下量词是贪婪的，因此我们会匹配尽可能多的字母。可以用 match函数来确认这一点。
'Heeeeello!'.match(/e+/);
// ["eeeee", index: 1, input: "Heeeeello!", groups: undefined]
另一个不错的例子是处理一些 HTML 标签：
const string = 'Beware of <strong>greedy</strong> quantifiers!';
/<.+>/.test(string); // true
最初的猜测可能是它与 <strong> 之类的东西匹配。不完全是！
string.match(/<.+>/);
// ["<strong>greedy</strong>" (...) ]
如你所见，贪婪的量词与最长的字符串匹配！
惰性量词
在本系列中，我们还将介绍 ? 量词。这意味着匹配零或一次。
function wereFilesFound(string) {
return /[1-9][0-9]* files? found/.test(string);
}
wereFilesFound('0 files found'); // false
wereFilesFound('No files found'); // false
wereFilesFound('1 file found'); // true
wereFilesFound('2 files found'); // true
有趣的是，通过将其添加到贪婪的量词中，我们告诉它重复尽可能少的次数，因此使其变得懒惰。
const string = 'Beware of <strong>greedy</strong> quantifiers!';
string.match(/<.+?>/);
// ["<strong>", (...) ]
灾难性的回溯
要了解量词如何影响正则表达式的行为，我们需要仔细研究被称为回溯的过程。
先让我们看一下这段看似清白的代码！
const expression = /^([0-9]+)*$/;
乍一看，它可以成功检测到一系列数字。让我们分解一下它的工作方式。
expression.test('123456789!');
- 首先，引擎处理
[0-9]+。它是贪婪的，所以它会首先尝试匹配尽可能多的数字。首先匹配的是123456789 - 然后引擎尝试应用
*量词，但没有其他数字了 - 因为用的是
$符号，所以我们希望字符串以数字结尾——!符号不会发生这种情况 - 现在由于回溯，在
[[0-9]+]中匹配的字符数量减少了。它匹配12345678。 - 然后使用
*量词，因此([0-9]+)*产生两个子字符串：12345678和9 - 由于上述子字符串均不在字符串末尾，因此与
$匹配失败 - 引擎通过减少
[0-9]+匹配的位数来保持回溯
上述过程会产生多种不同的组合。
我们的字符串以 ! 符号结尾。因此，正则表达式引擎尝试回溯，直到在提供的字符串的末尾找到数字为止。
[12345678][9]!
[1234567][89]!
[1234567][8][9]!
[123456][789]!
[123456][7][89]!
[123456][78][9]!
经过了大量的计算，但是没有找到匹配的结果。这可能会导致性能大幅下降。如果使用非常长的字符串，浏览器可能会挂起，从而破坏用户体验。
通过将贪婪量词更改为惰性量词，有时可以提高性能，但是这个特定的例子并不属于这种情况。
先行断言（Lookahead）
要解决上述问题，最直接方法是完全重写正则表达式。上面的解决方案并不总是很容易，而且有可能会造成很大的痛苦。解决上述问题的方法是使用先行断言（lookahead）。
在最基本的形式中，它声明 x 仅会在其后跟随 y 时才匹配。
const expression = /x(?=y)/;
expression.test('x'); // false
expression.test('xy'); // true
我们将其称为正向先行断言。仅当 x 后面不跟随 y 时，用负向先行断言匹配 x
const expression = /x(?!y)/;
expression.test('x'); // true
expression.test('xy'); // false
先行断言很酷的地方在于它是原子性的。在满足条件后，引擎将不会回溯并尝试其他排列。
回溯引用（Backreference）
我们在这里需要涉及到的的另一个问题是回溯引用。
const expression = /(a|b)(c|d)\1\2/;
上面的 \1 表示第一个捕获组的内容，而 \2 表示第二个捕获组的内容。
expression.test('acac'); // true
expression.test('adad'); // true
expression.test('bcbc'); // true
expression.test('bdbd'); // true
expression.test('abcd'); // false
我们可以结合使用先行断言和回溯引用来处理回溯问题：
const expression = /^(?=([0-9]+))\1*$/
这看起来很复杂。让我们对它进行分解。
- 表达式
(?=([0-9]+))寻找最长的数字字符串，因为+是贪婪的 - 引擎不会回溯寻找不同的组合
- 表达式
(?=([0-9]+))\1的回溯引用指出，先行查找的内容需要出现在字符串中
由于上述所有原因，我们可以安全地测试很长的字符串，而不会产生性能问题。
const expression = /^(?=([0-9]+))\1*$/;
expression.test('5342193376141170558801674478263705216832 D:'); //false
expression.test('7558004377221767420519835955607645787848'); // true
总结
在本文中，我们更深入地研究了量词。可以将它们分为贪婪和懒惰两种量词，并且它们可能会对性能产生影响。我们还讨论了量词可能导致的另一个问题：灾难性回溯。我们还学习了如何使用 先行断言（lookahead） 来改善性能，而不仅仅是去重写表达式。有了这些知识，我们可以编写更好的代码，避免出现Cloudflare这样的问题。
原文：https://wanago.io/2019/09/23/regex-course-part-four-avoiding-catastrophic-backtracking-using-lookahead/