用于匹配开始/结束标记的Java正则表达式会导致堆栈溢出

Java Pattern类的标准实现使用递归来实现许多forms的正则表达式（例如，某些运算符，交替）。

这种方法导致堆栈溢出问题，输入字符串超过（相对较小）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。

一个典型的例子是以下正则表达式，使用交替从周围的XML字符串中提取可能的多行元素（名为Data ），该字符串已经提供：

 (?(?:.|\r|\n)+?) 

上面的正则表达式与Matcher.find()方法一起用于读取“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，它会导致堆栈溢出。

是否可以重写上述正则表达式以避免堆栈溢出问题？

Answer 1

关于堆栈溢出问题的原因的更多细节：

有时，正则表达式Pattern类将抛出StackOverflowError 。 这是已知错误＃5050507的一种表现forms，自Java 1.4以来一直存在于java.util.regex包中。 这个bug就在这里，因为它有“不会修复”的状态。 发生此错误是因为Pattern类将正则表达式编译为一个小程序，然后执行该程序以查找匹配项。 此程序是递归使用的，有时当进行过多的递归调用时会发生此错误。 有关更多详细信息，请参阅错误说明。 它似乎主要是由交替使用引发的。

你的正则表达式（有替代）匹配两个标签之间的任何1+个字符。

您可以使用延迟点匹配模式与Pattern.DOTALL修饰符（或等效的嵌入标志(?s) ）来制作. 匹配换行符号：

 (?s)(?.+?) 

看到这个正则表达式演示

但是，在大量输入的情况下，惰性点匹配模式仍会占用大量内存。 最好的方法是使用unroll-the-loop方法 ：

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

请参阅正则表达式演示

细节 ：

• – 文字文本
• (? – 捕获组“数据”的开始
  • [^<]* - 除<以外的零个或多个字符
  • (?:<(?!/?Data>)[^<]*)* - 0或更多序列：
    • <(?!/?Data>) - 一个<未跟随Data>或/Data>
    • [^<]* - 除<以外的零个或多个字符
• ) - “数据”组的结束
• - 关闭分隔符