我正在制作一个使用正则表达式的日志解析应用程序,我看到了一些奇怪的行为,我希望有人可以帮助解释并提供克服的技巧。首先,这是代码:
import java.io.File
var regex1Count = 0
var regex2Count = 0
var noMatchCount = 0
val regex1 = Regex(".*error.*", RegexOption.IGNORE_CASE)
val regex2 = Regex("exception|crashed|death|fatal|killed| f | e ", RegexOption.IGNORE_CASE)
fun main(args: Array<String>) {
val file = File("C:\\Users\\pnogas\\Desktop\\mobicontrol.log")
val time = System.currentTimeMillis()
val result = file.useLines { sequence ->
sequence.mapNotNull { line ->
parseLine(line)
}.toList()
}
println("took ${(System.currentTimeMillis() - time) / 1000.0} seconds")
println("regex1Count = $regex1Count, regex2Count = $regex2Count, noMatchCount = $noMatchCount")
}
private fun parseLine(line: String) {
for (filter in listOf(regex2, regex1)) {
if (filter.containsMatchIn(line)) {
if (regex1 == filter) {
regex1Count++
} else if (regex2 == filter) {
regex2Count++
}
return
}
}
noMatchCount++
}
当我运行此代码时,它会输出:took 4.198 seconds
regex1Count = 16, regex2Count = 101, noMatchCount = 11559
但是,如果我将一行更改为 listOf(regex1, regex2) 而不是 listOf(regex2, regex1):took 35.049 seconds
regex1Count = 18, regex2Count = 99, noMatchCount = 11559
我知道通配符正则表达式的运行成本会更高,但数字表明更改顺序只会使其运行次数增加两倍,与处理的总行数相比,这似乎可以忽略不计。如果我使列表仅包含 regex1,我将获得相同的性能。最重要的是,当我使用 notepad++ 对同一个文件进行相同的正则表达式搜索时,我得到了 18 个结果,但结果几乎是立即出现的。我知道 JVM 将无法像 native 编译代码那样执行,但它真的期望运行得那么慢吗?还是我以完全错误的方式解决这个问题?
由于到目前为止的回复而做出的一些澄清
在第一个例子中:
regex2 运行 11676 次(匹配 101 次)
regex1 运行 11575 次(未运行 regex2 匹配的 101 次)
在第二个例子中:
regex1 运行 11676 次(匹配 18 次)
regex2 运行 11658 次(不运行 regex1 匹配的 18 次)
所以 regex1 运行次数增加了 0.86%,regex2 运行次数减少了 0.15%,但运行时间增加了 754%?!
我唯一的随机猜测是某种 JIT JVM Warmup 首先运行简单的正则表达式,它允许第二个更复杂的运行得更快,我应该插入一个虚拟的正则表达式,在执行我关心的正则表达式之前总是很快以提高性能。 ..???
最佳答案
这是一个复杂的问题,对于冗长(遗憾的是不完整)的答案,请提前道歉。
您的测试代码存在误解。您列表中的第一个正则表达式将在 上进行评估全部 行,因此在您的示例中为 11676 次。您的 regex1Count 变量仅返回 的次数正 match 已由(昂贵的)搜索操作返回。因此,更改正则表达式的评估顺序会对性能产生巨大影响,因为第一个正则表达式将用作主要过滤器。
此外,正如@PiRocks 所说,可以简化正则表达式。更重要的是,由于其简单性(搜索单个单词),这里甚至不需要使用正则表达式。您可以执行文字搜索,它会快得多。
此外,作为多年的 JVM 用户,我必须纠正一个关于性能的常见误解:JVM 应用程序并不总是比本地应用程序慢。每种技术都在自己的领域中大放异彩,要获得最佳性能,通常需要为正确的任务选择正确的工具。例如,JVM 使用 JIT 对经常使用的代码进行积极的优化,垃圾收集器大大降低了变量分配的成本。
无论如何,在当前情况下,我们 不能将手工编写的代码性能与交付的应用程序进行比较,无论双方使用什么技术。为什么 ?因为我们不能确定比较等效的工作流程。在这里,也许记事本有:
我试图通过 kotlin playground 重现您的案例:
regex1
regex2
结果很明显:与
.*error.*
相比,文字搜索快如闪电。正则表达式。正则表达式是一个非常强大的工具,但它们的复杂性可能难以管理。现在,还有一个问题:JVM 正则表达式在性能方面执行得很差吗?回答这个问题并不简单。天真地,我们可以尝试使用我制作的游乐场(见下面的代码),用另一种语言重写它并比较两者的输出。但由于 JVM JIT/预热时间,比较会有偏差。
我们必须对这两种实现进行广泛的循环,收集统计数据并最后比较结果以获得良好的洞察力。
作为引用,这里是操场及其输出:
Log example :
ex quam Suspendisse vel sed rhoncus aliquet. elit.
nibh amet, sed nibh eleifend diam amet ex eleifend.
Measure Regex on 12000 lines
Regex 1 for 10 words per line took 0.439 seconds
Regex 1 for 20 words per line took 0.843 seconds
Java pattern 1 for 10 words per line took 0.407 seconds
Java pattern 1 for 20 words per line took 1.347 seconds
Regex 2 for 50 words per line took 0.463 seconds
Literal search for 1000 words per line took 0.836 seconds
import kotlin.random.Random
import java.lang.StringBuilder
import java.lang.System
import java.util.regex.Pattern
fun main() {
println("Log example :")
generateLogs(nbLines = 2, wordPerLine = 10).forEach { println(it) }
println("\nMeasure Regex on 12000 lines\n")
val regex1 = Regex(".*error.*", RegexOption.IGNORE_CASE)
for (nbWords in listOf(10, 20)) {
roughMeasurement("Regex 1 for $nbWords words per line") {
val matched = generateLogs(wordPerLine = nbWords)
.count { regex1.containsMatchIn(it) }
}
}
val javaPattern = Pattern.compile(".*error.*", Pattern.CASE_INSENSITIVE)
for (nbWords in listOf(10, 20)) {
roughMeasurement("Java pattern 1 for $nbWords words per line") {
val matched = generateLogs(wordPerLine = nbWords)
.count { javaPattern.matcher(it).find() }
}
}
val regex2 = Regex("(exception)|(crashed)|(death)|(fatal)|(killed)| f | e ", RegexOption.IGNORE_CASE)
roughMeasurement("Regex 2 for 50 words per line") {
val matched = generateLogs()
.count { regex2.containsMatchIn(it) }
}
roughMeasurement("Literal search for 1000 words per line") {
val matched = generateLogs(wordPerLine = 1000)
.count { it.indexOf("error") >= 0 }
}
}
fun roughMeasurement(title: String, action: () -> Unit) {
val start = System.nanoTime()
action()
val end = System.nanoTime()
val timeSeconds = (end - start).toDouble() * 1e-9
println("$title took ${"%.3f".format(timeSeconds)} seconds")
}
/*
* LOG GENERATION UTILITIES
*/
fun generateLogs(nbLines : Int = 12000, wordPerLine : Int = 50) : Sequence<String> {
return (1..nbLines).asSequence()
.map { generateSentence(wordPerLine) }
}
fun generateSentence(nbWords : Int) : String {
require(nbWords > 2) { "Need more than two words per sentence" }
val builder = StringBuilder(nbWords * 3)
for (i in 0..nbWords-2) {
builder.append(wordPool.pick()).append(' ')
}
builder.append(wordPool.pick())
return builder.toString()
}
fun List<String>.pick() = this[Random.nextInt(0, size)]
/**
* Authorized words in log generation.
* To test for worst-case scenario, we've omitted searched keywords:
* error exception crashed death fatal killed
*/
val wordPool = """
Lorem ipsum dolor sit amet, consectetur adipiscing elit.
Suspendisse eu ex eu ligula egestas posuere ac et velit.
Fusce sed nisl diam. Proin eleifend nibh vel felis fermentum,
a luctus diam eleifend. Pellentesque feugiat magna sit amet
arcu eleifend, vel lacinia justo aliquet. In quam magna,
rhoncus a lacinia vel.
""".split(Regex("\\s+"))
关于regex - 正则表达式的 Kotlin 性能问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63947251/