Java 正则表达式 StackOverflowError 问题及其优化
正则可以看做一门 DSL,但它却应用极其广泛,可以轻松解决很多场景下的字符串匹配、筛选问题。同时呢有句老话:
“ 如果你有一个问题,用正则表达式解决,那么你现在就有两个问题了。”
Some people, when confronted with a problem, think "I know, I'll use regular expressions." Now they have two problems.
今天我们就来聊聊 Java 正则表达式 StackOverflowError 的问题及其一些优化点。
1、问题
最近,有同事发现一段正则在本地怎么跑都没问题,但是放到 Hadoop 集群上总会时不时的抛 StackOverflowError 。
代码我先简化下:
package java8test; import java.util.regex.Matcher; import java.util.regex.Pattern; public class Test { public static void main(String[] args) { final String TEST_REGEX = "([=+]|[\\s]|[\\p{P}]|[A-Za-z0-9]|[\u4E00-\u9FA5])+"; StringBuilder line = new StringBuilder(); System.out.println("++++++++++++++++++++++++++++++"); for (int i = 0; i < 10; i++) { line.append( "http://hh.ooxx.com/ershoufang/?PGTID=14366988648680=+.7342327926307917&ClickID=1&key=%2525u7261%2525u4E39%2525u5BCC%2525u8D35%2525u82B1%2525u56ED&sourcetype=1_5"); line.append( "http://wiki.corp.com/index.php?title=Track%E6%A0%87%E5%87%86%E6%97%A5%E5%BF%97Hive%E8%A1%A8-%E5%8D%B3%E6%B8%85%E6%B4%97%E5%90%8E%E7%9A%84%E6%97%A5%E5%BF%97"); line.append( "http://www.baidu.com/s?ie=UTF-8&wd=58%cd%ac%b3%c7%b6%fe%ca%d6%b3%b5%b2%e2%ca%d4%ca%fd%be%dd&tn=11000003_hao_dg"); line.append("http://cs.ooxx.com/yewu/?key=城&cmcskey=的设计费开始低&final=1&jump=1&specialtype=gls"); line.append( "http%3A%2F%2Fcq.ooxx.com%2Fjob%2F%3Fkey%3D%25E7%25BD%2591%25E4%25B8%258A%25E5%2585%25BC%25E8%2581%258C%26cmcskey%3D%25E7%25BD%2591%25E4%25B8%258A%25E5%2585%25BC%25E8%2581%258C%26final%3D1%26jump%3D2%26specialtype%3Dgls%26canclequery%3Disbiz%253D0%26sourcetype%3D4"); } line.append(" \001 11111111111111111111111111"); Pattern p_a = null; try { p_a = Pattern.compile(TEST_REGEX); Matcher m_a = p_a.matcher(line); while (m_a.find()) { String a = m_a.group(); System.out.println(a); } } catch (Exception e) { // TODO: handle exception } System.out.println("line size: " + line.length()); } }
执行之后的结果是:
++++++++++++++++++++++++++++++ Exception in thread "main" java.lang.StackOverflowError 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) ......
起初这个问题是从集群上抛出来的,大家可以看到这个异常有两个特点:
(1)不可用 Exception 捕获,因为 Error 直接继承自 Throwable 而非 Exception,所以即使你要捕获也应当捕获 Error。
(2)另外一点是大家可以看到抛出的错误并没有指明行号,当这段代码混在一个数百行的工具类,有数十条类似的正则的时候,无疑给定位问题带来了难度,这就需要我们能有一定的单元测试能力。
注:
(1)如果你的环境没有抛出上述错误,尝试调大 for 循环的次数或者指定 jvm 参数:-Xss1k
(2)如果你还不明白 StackOverflowError 是什么含义,可以参考上一篇文章: JVM 运行时数据区简介
2、问题分析
正则表达式引擎分成两类,一类称为DFA(确定性有穷自动机),另一类称为NFA(非确定性有穷自动机)。两类引擎要顺利工作,都必须有一个正则式和一个文本串。DFA捏着文本串去比较正则式,看到一个子正则式,就把可能的匹配串全标注出来,然后再看正则式的下一个部分,根据新的匹配结果更新标注。而NFA是捏着正则式去比文本,吃掉一个字符,就把它跟正则式比较,匹配就记下来,然后接着往下干。一旦不匹配,就把刚吃的这个字符吐出来,一个个的吐,直到回到上一次匹配的地方。
DFA与NFA机制上的不同带来5个影响:
1. DFA 对于文本串里的每一个字符只需扫描一次,比较快,但特性较少;NFA要翻来覆去吃字符、吐字符,速度慢,但是特性丰富,所以反而应用广泛,当今主要的正则表达式引擎,如Perl、Ruby、Python的re模块、Java和.NET的regex库,都是NFA的。
2. 只有NFA才支持lazy和backreference等特性;
3. NFA急于邀功请赏,所以最左子正则式优先匹配成功,因此偶尔会错过最佳匹配结果;DFA则是“最长的左子正则式优先匹配成功”。
4. NFA缺省采用greedy量词;
5. NFA可能会陷入递归调用的陷阱而表现得性能极差。
在使用正则表达式的时候,底层是通过递归方式调用执行的,每一层的递归都会在栈线程的大小中占一定内存,如果递归的层次很多,就会报出stackOverFlowError异常。所以在使用正则的时候其实是有利有弊的。
Java程序中,每个线程都有自己的Stack Space。这个Stack Space不是来自Heap的分配。所以Stack Space的大小不会受到-Xmx和-Xms的影响,这2个JVM参数仅仅是影响Heap的大小。Stack Space用来做方法的递归调用时压入Stack Frame。所以当递归调用太深的时候,就有可能耗尽Stack Space,爆出StackOverflow的错误。Stack Space的大小随着OS,JVM以及环境变量的大小而发生变化。一般说来默认的大小是512K。在64位的系统中,这个Stack Space值会更大。一般说来,Stack Space为128K是够用的。这时你说需要做的就是观察。如果你的程序没有爆出StackOverflow的错误,可以使用-Xss来调整Stack Space的大小为128K。(eg:-Xss128K)
文章开头的问题可以简单理解为方法的嵌套调用层次太深,上层的方法栈一直得不到释放,导致栈空间不足。
下面我们要做的就是了解一些正则性能的优化点,规避这种深层次的递归调用。
3、Java 正则的一些优化点
3.1 Pattern.compile() 预编译表达式
如果在程序中多次使用同一个正则表达式,一定要用Pattern.compile()编译,代替直接使用Pattern.matches()。如果一次次对同一个正则表达式使用Pattern.matches(),例如在循环中,没有编译的正则表达式消耗比较大。因为matches()方法每次都会预编译使用的表达式。另外,记住你可以通过调用reset()方法对不同的输入字符串重复使用Matcher对象。
3.2 留意选择(Beware of alternation)
类似“(X|Y|Z)”的正则表达式有降低速度的坏名声,所以要多留心。首先,考虑选择的顺序,那么要将比较常用的选择项放在前面,因此它们可以较快被匹配。另外,尝试提取共用模式;例如将“(abcd|abef)”替换为“ab(cd|ef)”。后者匹配速度较快,因为NFA会尝试匹配ab,如果没有找到就不再尝试任何选择项。(在当前情况下,只有两个选择项。如果有很多选择项,速度将会有显著的提升。)选择的确会降低程序的速度。在我的测试中,表达式“.*(abcd|efgh|ijkl).*”要比调用String.indexOf()三次——每次针对表达式中的一个选项——慢三倍。
3.3 减少分组与嵌套
如果你实际并不需要获取一个分组内的文本,那么就使用非捕获分组。例如使用“(?:X)”代替“(X)”。
总结下来就是:减少分支选择、减少捕获嵌套、减少贪婪匹配
4、解决方案
4.1 临时工方案
try...catch.../增加-Xss,治标不治本,不推荐。
4.2 优化正则才是王道
4.2.1 语法层面优化
根据 2.2 提到的,我们这样优化下:
final String TEST_REGEX = "([=+\\s\\p{P}A-Za-z0-9\u4E00-\u9FA5])+";
经测试,JVM 参数不变的情况下,for 循环 100w 次直到 OOM 了都不会再发生文章开头的栈溢出的问题了。
4.2.2 业务逻辑层面优化
由于我不清楚作者的业务场景,不好做业务优化,总的原则是当你的正则太复杂的时候,可以考虑逻辑拆分,或者部分不走正则,如果把正则当做万能工具可能会得不偿失。
总结:在字符串查找与匹配领域,正则可以说几乎是“万能”的,但是许多场景下,它的代价不容小觑,如何写出高效率、可维护的正则或者怎么能避开正则都是值得咱们思考的问题。
Refer:
[1] 关于Java正则引起的StackOverFlowError问题以及解决方案
http://blog.csdn.net/qq522935502/article/details/8161273
[2] Java正则与栈溢出
http://daimojingdeyu.iteye.com/blog/385304
[3] 优化Java中的正则表达式
http://blog.csdn.net/mydeman/article/details/1800636
[4] 从一个正则表达式造成的StackOverflowError说起
http://ren.iteye.com/blog/1828562
[5] 正则表达式(三):Unicode诸问题(下)
http://www.infoq.com/cn/news/2011/03/regular-expressions-unicode-2
http://www.infoq.com/cn/author/%E4%BD%99%E6%99%9F
[6] StackOverflowError when matching large input using RegEx
http://stackoverflow.com/questions/15082010/stackoverflowerror-when-matching-large-input-using-regex
[7] try/catch on stack overflows in java?
http://stackoverflow.com/questions/2535723/try-catch-on-stack-overflows-in-java
[8] Java正则达式引起死循环问题解决办法
http://blog.csdn.net/shixing_11/article/details/5997567
[9] JAVA 正则表达式的溢出问题 及不完全解决方案
http://www.blogjava.net/roymoro/archive/2011/04/28/349163.html