比较不匹配正则表达式的速度

下面的 Python 代码非常慢：

import re
re.match( '([a]+)+c', 'a' * 30 + 'b' )

如果用更大的常数替换 30，情况会变得更糟。

我怀疑由于连续的解析歧义+是罪魁祸首，但我在正则表达式解析和匹配方面不是很专家。这是Python正则表达式引擎的错误，还是任何合理的实现都会做同样的事情？

我不是 Perl 专家，但以下返回速度相当快

perl -e '$s="aaaaaaaaaaaaaaaaaaaaaaaaaaaaaab"; print "ok\n" if $s =~ m/([a]+)+c/;'

并且增加“a”的数量不会显着改变执行速度。

我认为 Perl 足够聪明，可以将两者折叠起来+s 合而为一，而 Python 则不然。现在让我们想象一下，如果没有优化的话，引擎会做什么。请记住，捕获通常很昂贵。另请注意，两者+s 是贪婪的，因此引擎将尝试在一个回溯步骤中使用尽可能多的重复。每个要点代表一个回溯步骤：

• 引擎使用尽可能多的[a]尽可能，并消耗全部三十as。然后它就不能再继续了，所以它留下了第一个重复，captures 30 as。现在下一个重复开始了，它试图用另一个重复消耗更多([a]+)但这当然行不通。然后是c无法匹配b.
• 回头！扔掉最后的a被内在的重复所消耗。之后我们再次离开内部重复，因此引擎将capture 29 as。然后另一个+开始，再次尝试内部重复（消耗第 30 个a）。然后我们再次离开内部重复，这也离开了捕获组，因此第一个捕获被丢弃并且引擎captures最后a. c无法匹配b.
• 回头！扔掉另一个a里面。我们capture 28 as。捕获组的第二个（外部重复）消耗了最后 2 个as 是captured. c无法匹配b.
• 回头！现在我们可以在第二个重复中回溯并丢弃两个中的第二个a是。剩下的将是captured。然后我们第三次进入捕获组并且capture最后a. c无法匹配b.
• 回头！降至27as 在第一次重复中。

这是一个简单的可视化。每一行代表一个回溯步骤，每组括号显示内部重复的一次消耗。大括号代表那些newly为该回溯步骤捕获，而在此特定回溯步骤中不会重新访问普通括号。我省略了b/c因为它永远不会匹配：

{aaaaaaaaaaaaaaaaaaaaaaaaaaaaaa}
{aaaaaaaaaaaaaaaaaaaaaaaaaaaaa}{a}
{aaaaaaaaaaaaaaaaaaaaaaaaaaaa}{aa}
(aaaaaaaaaaaaaaaaaaaaaaaaaaaa){a}{a}
{aaaaaaaaaaaaaaaaaaaaaaaaaaa}{aaa}
(aaaaaaaaaaaaaaaaaaaaaaaaaaa){aa}{a}
(aaaaaaaaaaaaaaaaaaaaaaaaaaa){a}{aa}
(aaaaaaaaaaaaaaaaaaaaaaaaaaa)(a){a}{a}
{aaaaaaaaaaaaaaaaaaaaaaaaaa}{aaaa}
(aaaaaaaaaaaaaaaaaaaaaaaaaa){aaa}{a}
(aaaaaaaaaaaaaaaaaaaaaaaaaa){aa}{aa}
(aaaaaaaaaaaaaaaaaaaaaaaaaa)(aa){a}{a}
(aaaaaaaaaaaaaaaaaaaaaaaaaa){a}{aaa}
(aaaaaaaaaaaaaaaaaaaaaaaaaa)(a){aa}{a}
(aaaaaaaaaaaaaaaaaaaaaaaaaa)(a){a}{aa}
(aaaaaaaaaaaaaaaaaaaaaaaaaa)(a)(a){a}{a}

和。所以。在。

请注意，最后引擎还将尝试子集的所有组合a（回溯到前 29a然后通过前 28as) 只是为了发现，c也不匹配a.

正则表达式引擎内部结构的解释基于分散的信息正则表达式.info http://www.regular-expressions.info/.

为了解决这个问题。只需删除其中之一即可+s。任何一个r'a+c'或者如果你do想要捕获的金额as use r'(a+)s'.

最后回答一下你的问题。我不认为这是 Python 正则表达式引擎中的错误，而只是（如果有的话）缺乏优化逻辑。这个问题通常无法解决，因此引擎假设您必须自己处理灾难性的回溯并不是太不合理。如果 Perl 足够聪明，能够识别足够简单的情况，那就更好了。