使用正则表达式解析大字符串以获取java。lang.StackOverflower错误

Question

这是我的正则表达式

"(?<=\"body\":\")((?=\",|\"$)|.)+"

它表示主体上的字符串。比如

"body":its my string

结果是

its my string

但是当我使用一个大的输入字符串时，我得到了这个错误

Exception in thread "main" java.lang.StackOverflowError
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4168)
at java.util.regex.Pattern$Loop.match(Pattern.java:4295)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4227)
at java.util.regex.Pattern$BranchConn.match(Pattern.java:4078)
at java.util.regex.Pattern$CharProperty.match(Pattern.java:3345)
at java.util.regex.Pattern$Branch.match(Pattern.java:4114)
at java.util.regex.Pattern$GroupHead.match(Pattern.java:4168)
at java.util.regex.Pattern$Loop.match(Pattern.java:4295)
at java.util.regex.Pattern$GroupTail.match(Pattern.java:4227)

这是怎么造成的，我该如何解决

Answer 1

看起来您试图捕获RHS字符串的内容，同时强制它前面是"body":"，后面是"

您似乎在使用lookaround断言来测试周围文本的存在，但也在使用捕获组来捕获RHS字符串的内容。你不需要同时做这两件事。Lookaround断言是零宽度，这意味着它们不会构成最终匹配的子字符串的一部分。最终匹配的子字符串始终可以作为捕获组0访问。或者，您可以完全匹配所有正则表达式组件（意味着非零宽度匹配，意味着没有lookarounds），并使用捕获组来提取感兴趣的子字符串，但这样效率较低

我认为应该这样写（与本演示的args[0]相匹配）：

Pattern p = Pattern.compile("(?<=\"body\":\")[^\"]*(?=\")");
Matcher m = p.matcher(args[0]);
if (!m.find(0)) { System.out.println("doesn't match!"); System.exit(1); }
System.out.println(m.group(0));

以上内容对我来说非常有用

---

我确实试图重现StackOverflowError异常，我成功了。在我看来，Java正则表达式引擎正在使用递归来实现重复替换的匹配。这让我非常惊讶，因为我根本不知道为什么需要递归来匹配重复的交替。话虽如此，我还对Perl正则表达式做了一个小测试，我一直认为它是目前最强大、最健壮的正则表达式风格，并进一步惊讶地发现Perl的失败方式与Java正则表达式完全相同

下面是一个例子，展示了Java失败和Perl失败。在这个演示中，我将[^"]原子更改为(?:\\.|[^"])交替，这有效地增加了对嵌入双引号字符串中的反斜杠转义码的支持，例如\"对嵌入的双引号进行编码，这在许多编程环境中普遍受支持

Java

Pattern p = Pattern.compile("(?<=\"body\":\")(?:\\\\.|[^\"])*(?=\")");
Matcher m = p.matcher(args[0]);
if (!m.find(0)) { System.out.println("doesn't match!"); System.exit(1); }
System.out.println(m.group(0));

输出

Exception in thread "main" java.lang.StackOverflowError
  at java.util.regex.Pattern$CharProperty.match(Unknown Source)
  at java.util.regex.Pattern$Branch.match(Unknown Source)
  at java.util.regex.Pattern$GroupHead.match(Unknown Source)
  at java.util.regex.Pattern$Loop.match(Unknown Source)
  at java.util.regex.Pattern$GroupTail.match(Unknown Source)
  at java.util.regex.Pattern$BranchConn.match(Unknown Source)
  at java.util.regex.Pattern$CharProperty.match(Unknown Source)
  at java.util.regex.Pattern$Branch.match(Unknown Source)
  at java.util.regex.Pattern$GroupHead.match(Unknown Source)
  at java.util.regex.Pattern$Loop.match(Unknown Source)
  at java.util.regex.Pattern$GroupTail.match(Unknown Source)
...

Perl（来自shell）

largeString="\"body\":\"$(perl -e 'use strict; use warnings; for (my $i = 0; $i < 2**15; ++$i) { print("x"); }';)\"";
perl -e 'use strict; use warnings; my $re = qr((?<="body":")(?:\\.|[^"])*(?=")); if ($ARGV[0] !~ $re) { print("didn'\''t match!\n"); } print($&);' "$largeString";

输出

Complex regular subexpression recursion limit (32766) exceeded at -e line 1.
didn't match!
Use of uninitialized value $& in print at -e line 1.

所以，我要澄清的是，我在答案开头给出的解决方案之所以避免了堆栈溢出错误，并不是因为我删除了捕获组1，而是因为我删除了替换。同样，我不知道为什么重复的交替是用递归实现的，但考虑到这一事实，一个大的输入字符串会导致堆栈溢出错误似乎是合乎逻辑的