时间戳

首页 > 解决方案 > 导致 StackoverFlow 的正则表达式模式

java - 导致 StackoverFlow 的正则表达式模式

问题描述

我正在使用 JAVA8 开发一个项目，我想从目录或链接中获取 HTML 文件，并从文件中删除所有样式和脚本标签并返回剩下的内容。这是在大量文件上迭代执行的。

现在，这是我用来删除指定标签的两种不同的正则表达式模式。

//remove style tags and style tag content
update = update.replaceAll("<style\\b[^<]*(?:(?!</style>)<[^<]*)*</style>", "");

//remove script tags and script tag content
update = update.replaceAll("<script[\\s\\S]*?>[\\s\\S]*?</script>", "");

这工作了一段时间，但似乎偶尔我会遇到一个java.lang.StackOverflowError.

我相信当文件太大时会发生这种情况。我做了一些研究，发现如果你"|"在你的模式中使用，这可能会发生，因为这个运算符使用递归，这可能是内存密集型的，具体取决于遍历的级别。

我已经设法在不同的测试文件上反复使用这些模式多达 1000 次。

我的问题是：有没有人看到这些模式会使用递归？或任何暗示模式本身是导致溢出的原因？

如果没有，也许我有办法将字符串减小到不会导致这种过载的大小。

使用 print 语句似乎在尝试匹配模式时可能发生溢出：

"<script[\\s\\S]*?>[\\s\\S]*?</script>"

此外，有人告诉我我可以改用这个：

"<script[\\s\\S]+?>[\\s\\S]+?</script>"

因为这并没有向前看。此模式在 Regexr 中有效，但在 JAVA 应用程序中实现后不会提供相同的输出。

这是我收到的堆栈跟踪：

Exception in thread "main" java.lang.StackOverflowError
at java.util.regex.Pattern$Curly.match0(Pattern.java:4252)
at java.util.regex.Pattern$Curly.match(Pattern.java:4236)
at java.util.regex.Pattern$BmpCharProperty.match(Pattern.java:3800)
at java.util.regex.Pattern$Neg.match(Pattern.java:5099)
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4660)
at java.util.regex.Pattern$Loop.match(Pattern.java:4787)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4719)
at java.util.regex.Pattern$Curly.match0(Pattern.java:4274)

我愿意接受任何建议。提前谢谢你。

标签： javaregexstringstack-overflow

解决方案

我最终使用了 VGR 和 MatthewGreen 的两个答案的组合。Re2j解决了我的正则表达式问题并提高了匹配的性能。- 最终我决定减少对正则表达式的依赖，而是使用JSoup进行解析，并在删除不需要的元素后使用正则表达式从文档中提取我想要的内容。

推荐阅读