Spintax解析器的正则表达式匹配性能问题

Question

我正在编写一个应用程序，该应用程序旨在处理数以千计的文章/条目，其中包含以下格式的大量spintax：

{Hello|Hi} {World|There!}, how are you?

但是，当我使用profiler运行应用程序时，我注意到处理Regex的部分会占用大量资源，我的应用程序最终会因为内存不足问题而崩溃。有没有人能建议一种方法来改进我的代码，或者更好地解析spintax？

public static String Spin(String text)
{
        Regex reg = new Regex(@"\{[^\{\}]*\}");
        Random rand = new Random((int)DateTime.Now.Ticks);
        while (true)
        {
            Match m = reg.Match(text);
            if (!m.Success) break;
            String[] parts = m.Value.TrimStart('{').TrimEnd('}').Split('|');
            int i = rand.Next(parts.Length);
            text = text.Substring(0, m.Index) + parts[i] + text.Substring(m.Index + m.Length);
        }
        return text;
  }

Answer 1

我已经实现了我的快速版本(没有Regex、没有Split、没有Substring、没有Replace和其他字符串操作方法)。为了复制字符串，我使用String.CopyTo，它将符号复制到一个普通的char数组中。

这段代码完全支持嵌套的Spintaxes (可能没有深度限制)。一个限制是每个Spintax的最大选项数，目前是100，但可以更改为1000或更多...另一个限制是输入字符串的最大长度，现在是100000，但也可以增加。

关于性能-我的测试表明，这个代码比任何优化的Regex解决方案(包括Jim Mischel的解决方案)快15倍以上，比使用Substring和其他字符串操作方法的版本快约5倍。我用VS2012中的优化代码设置在发布模式下测试了这一点。

    static int[] partIndices = new int[100];
    static int[] depth = new int[100];
    static char[] symbolsOfTextProcessed = new char[100000];

    public static String SpinEvenMoreFaster(String text)
    {
        int cur = SpinEvenMoreFasterInner(text, 0, text.Length, 0);
        return new String(symbolsOfTextProcessed, 0, cur);
    }

    public static int SpinEvenMoreFasterInner(String text, int start, int end, int symbolIndex)
    {
        int last = start;
        for (int i = start; i < end; i++)
        {
            if (text[i] == '{')
            {
                int k = 1;
                int j = i + 1;
                int index = 0;
                partIndices[0] = i;
                depth[0] = 1;
                for (; j < end && k > 0; j++)
                {
                    if (text[j] == '{')
                        k++;
                    else if (text[j] == '}')
                        k--;
                    else if (text[j] == '|')
                    {
                        if (k == 1)
                        {
                            partIndices[++index] = j;
                            depth[index] = 1;
                        }
                        else
                            depth[index] = k;
                    }
                }
                if (k == 0)
                {
                    partIndices[++index] = j - 1;
                    int part = rand.Next(index);
                    text.CopyTo(last, symbolsOfTextProcessed, symbolIndex, i - last);
                    symbolIndex += i - last;
                    if (depth[part] == 1)
                    {
                        text.CopyTo(partIndices[part] + 1, symbolsOfTextProcessed, symbolIndex, partIndices[part + 1] - partIndices[part] - 1);
                        symbolIndex += partIndices[part + 1] - partIndices[part] - 1;
                    }
                    else
                    {
                        symbolIndex = SpinEvenMoreFasterInner(text, partIndices[part] + 1, partIndices[part + 1], symbolIndex);
                    }
                    i = j - 1;
                    last = j;
                }
            }
        }
        text.CopyTo(last, symbolsOfTextProcessed, symbolIndex, end - last);
        return symbolIndex + end - last;
    }

Answer 2

下面是一个非正则表达式的替代方法。

1. 优化了OP的代码，在循环中使用静态成员而不是声明变量，使用RegexOptions.Compiled，使用Substring而不是TrimLeft和TrimRight。针对具有嵌套实例的clarity.
2. Updated测试用例，
3. 更新了SpinNoRE来处理任意嵌套的spintaxes，优化了代码，并将comments.
4. Renamed Spin和SpinFaster分别添加到SpinRE和SpinNoRE中。OP的代码在处理嵌套的spintaxes时要慢得多(可以理解，因为每一层嵌套都会强制额外的正则表达式匹配)。

新的ideone demo可用；代码如下(可在演示中获得注释；请参阅链接)：

public static String SpinNoRE(String text)
{
    int i, j, e = -1;
    char[] curls = new char[] {'{', '}'};
    text += '~';

    do
    {
        i =  e;
        e = -1;
        while ((i = text.IndexOf('{', i+1)) != -1)
        {
            j = i;
            while ((j = text.IndexOfAny(curls, j+1)) != -1 && text[j] != '}')
            {
                if (e == -1) e = i;
                i = j;
            }
            if (j != -1)
            {
                parts = text.Substring(i+1, (j-1)-(i+1-1)).Split('|');
                text = text.Remove(i, j-(i-1)).Insert(i, parts[rand.Next(parts.Length)]);
            }
        }
    }
    while (e-- != -1);

    return text.Remove(text.Length-1);
}

结果：

Input Text:       Oh! {{I'm|You're} here!|How are you{ doing{|, {buddy|pal|guy}}|}?}
Testing SpinRE:   Oh! You're here!
Testing SpinRE:   Oh! How are you doing?
Testing SpinRE:   Oh! How are you?
Testing SpinRE:   Oh! How are you doing, buddy?
Testing SpinRE:   Oh! I'm here!
Testing SpinRE:   Oh! How are you doing, guy?
Testing SpinRE:   Oh! How are you doing?
Testing SpinRE:   Oh! I'm here!
Testing SpinRE:   Oh! I'm here!
Testing SpinRE:   Oh! How are you doing?
Testing SpinNoRE: Oh! How are you doing, buddy?
Testing SpinNoRE: Oh! You're here!
Testing SpinNoRE: Oh! How are you?
Testing SpinNoRE: Oh! How are you?
Testing SpinNoRE: Oh! You're here!
Testing SpinNoRE: Oh! I'm here!
Testing SpinNoRE: Oh! How are you doing?
Testing SpinNoRE: Oh! How are you?
Testing SpinNoRE: Oh! How are you doing, buddy?
Testing SpinNoRE: Oh! I'm here!

Time elapsed over 100,000 runs of each in alternation:

SpinRE:           03.686s
SpinNoRE:         00.921s

请原谅并指出任何错误。)

Answer 3

我建议对你的代码做一些修改。首先，将正则表达式定义移出方法，并使用RegexOptions.Compiled选项来减少每次调用的设置时间。此外，将随机数生成器的创建从频繁使用的方法中移出。

此外，通过告诉正则表达式从哪里开始匹配，可以消除许多不必要的字符串搜索。如果您最终执行了多次循环迭代，这一点很重要。这个想法是，如果您已经完成了字符串中位置M的替换，则没有理由检查这些匹配，因为将不会有任何匹配。

可以通过将表达式替换为以下内容来消除对TrimStart和TrimEnd的调用：

String[] parts = m.Value.Substring(1, m.Value.Length-2).Split('|');

您已经知道，字符串以{开头，以}结尾，中间没有这两个字符中的任何一个，所以您所要做的就是去掉第一个和最后一个字符。没有理由产生由TrimStart和TrimEnd创建的临时字符串的成本。

另一种可能是将捕获组添加到正则表达式(将要捕获的部分放在圆括号中)，并对捕获的文本而不是整个匹配的表达式进行操作。

将所有这些建议放在一起会导致：

static Regex reg = new Regex(@"\{([^\{\}]*)\}", RegexOptions.Compiled);
static Random rand = new Random();
public static String Spin(String text)
{
    int matchPos = 0;
    while (true)
    {
        Match m = reg.Match(text, matchPos);
        if (!m.Success) break;
        String[] parts = m.Groups[1].Value.Split('|');
        int i = rand.Next(parts.Length);
        text = text.Substring(0, m.Index) + parts[i] + text.Substring(m.Index + m.Length);
        matchPos = m.Index;
    }
    return text;
}

也就是说，这将不支持嵌套，并且创建支持嵌套的正则表达式解决方案可能会有些困难。就速度而言，它也不是最优的，因为它花费了大量时间来构建和重新构建text字符串。稍微考虑一下，您就可以对它进行更多的优化，但它永远不会像SergyS supplied这样的优化自定义解析器解决方案那样快。

如果速度是最重要的，那么您将需要一个自定义解析器。正则表达式版本不会那么快，但如果它足够快，它的好处是更小，并且比自定义解析器更容易理解和修改。