时间戳

首页 > 解决方案 > 为什么正则表达式中的一长串 ?char?char 等.. 这么慢

regex - 为什么正则表达式中的一长串 ?char?char 等.. 这么慢

问题描述

我正在尝试创建一个正则表达式以符合以下（iupac 生物学）规则：

<    Any characters before a < are considered optional and will be matched after the subsequence text has been found

换句话说，这意味着：

给定 CAT<ATTT，我想找到任何与 ATTT 完全匹配的文本，然后如果在该匹配之前有一个 T，我想将它包含在匹配中，如果在 T 之前有一个 A，我想也包括它。如果在 AI 之前还有一个 C 也想包含它。

以下是应用该规则时的示例：

IUPAC生物学插入符号规则

更多示例：

CAT<ATTT (example pattern)
CATA ATTT (left side unmatched, right side matched)
CG ATATTT (left side unmatched, right side matched)

GGGT<GAGGGGGG  (example pattern)
T GGTGAGGGGGG  (left side unmatched, right side matched)
GGG GAGGGGGG   (left side unmatched, right side matched)

为了满足这个规则。我基本上为“<”之前的所有字符添加一个问号。例如，

TTGATAGCCATCATCATATCGAAGTTTCACTACCCTTTTTCCATTTGCCATCTATTGAAGTAATAATAGGC<GCATG

变成：

T?T?G?A?T?A?G?C?C?A?T?C?A?T?C?A?T?A?T?C?G?A?A?G?T?T?T?C?A?C?T?A?C?C?C?T?T?T?T?T?C?C?A?T?T?T?G?C?C?A?T?C?T?A?T?T?G?A?A?G?T?A?A?T?A?A?T?A?G?G?C?GCATG

但是我发现添加一堆可选的？字符会创建一个非常慢的正则表达式（至少在 chrome 浏览器中运行时）。您可以通过在浏览器中运行以下代码自己尝试：

"GACGTCTTATGACAACTTGACGGCTACGCATGATCATTCACTT".match("C?A?T?A?T?CT?T?G?A?T?A?G?C?C?A?T?C?A?T?C?A?T?A?T?C?G?A?A?G?T?T?T?C?A?C?T?A?C?C?C?T?T?T?T?T?C?C?A?T?T?T?G?C?C?A?T?C?T?A?T?T?G?A?A?G?T?A?A?T?A?A?T?A?G?G?C?GCATG", "gi")

或者，如果这对您来说很快，请运行这个：

"GACGTCTTATGACAACTTGACGGCTACGCATGATCATTCACTT".match("T?T?G?A?T?A?G?C?C?A?T?C?A?T?C?A?T?A?T?CT?T?G?A?T?A?G?C?C?A?T?C?A?T?C?A?T?A?T?CT?T?G?A?T?A?G?C?C?A?T?C?A?T?C?A?T?A?T?C?G?A?A?G?T?T?T?C?A?C?T?A?C?C?C?T?T?T?T?T?C?C?A?T?T?T?G?C?C?A?T?C?T?A?T?T?G?A?A?G?T?A?A?T?A?A?T?A?G?G?C?GCATG", "gi")

我的问题是两方面的。首先，为什么这个正则表达式这么慢？其次，如何使用正则表达式以高效的方式实现上图所示的规则（特别是“<”和“>”规则）？（或者也许不可能？）

如果您有任何澄清性问题，请提出。

非常感谢！

标签： regex

解决方案

一个看起来像这样的正则表达式：

(CAT|AT|T)?ATTTT

很适合我。它比我之前尝试使用的（损坏的）解决方案性能更高。

注意：我发现使用 reg.exec 查找包含我不想要的中间结果。因此我使用的代码看起来像：

[..."CGCATATTT".matchAll("(CCAT|CAT|AT|T)?ATTT", "gi")]

感谢@WiktorStribiżew 和我的同事帮助我找到了一个好的解决方案！

推荐阅读