一个正则表达式导致CPU 利用率居高不下

 更?#29575;?#38388;:2019年06月20日 11:37:18   作者:叶落知深 ·   我要评论

这篇文章给大家带来了一个正则表达式导致CPU 利用率居高不下,本文给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下

前几天线上一个项?#32771;?#25511;信息突然报告异常,?#31995;?#26426;器上后查看相关资源的使用情况,发现 CPU 利用?#24335;?#36817; 100%。通过 Java 自带的线程 Dump 工具,我们导出了出问题的堆栈信息。

藏在正则表达式里的陷阱,一个正则表达式导致CPU 利用率居高不下

我们可以看到所有的堆栈都指向了一个名为 validateUrl 的方法,这样的报错信息在堆栈中一共超过 100 处。通过排查代码,我们知道这个方法的主要功能是校验 URL 是否合法。

很奇怪,一个正则表达式怎么会导致 CPU 利用率居高不下。为了弄清楚复现问题,我们将其中的关键代码摘抄出来,做了个简单的单元测试。

public static void main(String[] args) {
 String badRegex = "^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~\\/])+$";
 String bugUrl = "http://www.fapiao.com/dddp-web/pdf/download?request=6e7JGxxxxx4ILd-kExxxxxxxqJ4-CHLmqVnenXC692m74H38sdfdsazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf";
 if (bugUrl.matches(badRegex)) {
 System.out.println("match!!");
 } else {
 System.out.println("no match!!");
 }
}

当我们运行上面这个例子的时候,通过资源监视器可以看到有一个名为 java 的进程 CPU 利用率直接飙升到了 91.4% 。

藏在正则表达式里的陷阱,一个正则表达式导致CPU 利用率居高不下

看到这里,我们基本可以推断,这个正则表达式就是导致 CPU 利用率居高不下的凶手!

于是,我们将排错的重点放在了那个正则表达式上:

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~\/])+$

这个正则表达式看起来没什么问题,可以分为三个部分:

第一部?#21046;?#37197; http 和 https 协议,第二部?#21046;?#37197; www. 字符,第三部?#21046;?#37197;许多字符。我看着这个表达式发呆了许久,也没发?#32622;?#26377;什么大的问题。

其实这里导致 CPU 使用率高的关键原因就是: Java 正则表达式使用的引擎实现是 NFA 自动机,这种正则表达式引擎在进行字符匹配时会发生回溯(backtracking)。 而一旦发生回溯,那其消耗的时间?#31361;?#21464;得很长,有可能是几分钟,也有可能是几个小时,时间长短取决于回溯的次数和复杂?#21462;?/p>

看到这里,可能大?#19968;?#19981;是很清楚什?#35789;?#22238;溯,还有点懵。没关系,我们一点点从正则表达式的原理开始讲起

正则表达式引擎

正则表达式是一个很方便的匹配符号,但要实现这么复杂,功能如此强大的匹配语法,就必须要有一套算法来实现,而实现这套算法的东西就叫做正则表达式引擎。简单地说,实现正则表达式引擎的有两种方式: DFA 自动机 (Deterministic Final Automata 确定型有穷自动机)和 NFA 自动机 (Non deterministic Finite Automaton 不确定型有穷自动机)。

对于这两种自动机,他们有各自的区别,这里并不打算深入将它们的原理。简单地说,DFA 自动机的时间复杂度是线性的,更加稳定,但是功能有限。而 NFA 的时间复杂度比较不稳定,有时候很好,有时候不怎么好,好不好取决于你写的正则表达式。但是胜在 NFA 的功能更加强大,所以包括 Java 、.NET、Perl、Python、Ruby、PHP 等语言都使用了 NFA 去实?#21046;?#27491;则表达式。

那 NFA 自动机到?#36164;?#24590;么进行匹配的呢?我们以下面的字符和表达式来举例?#24471;鰲?/p>

text="Today is a nice day."regex="day"

要记住一个很重要的点,即:NFA 是以正则表达式为基准去匹配的。也就是说,NFA 自动机会读取正则表达式的一个一个字符,然后拿去和目标字符串匹配,匹配成功?#31361;?#27491;则表达式的下一个字符,否则继续和目标字符串的下一个字符比较。或许你们听不太懂,没事,接下来我们以上面的例子一?#35762;?#35299;析。

  • 首先,拿到正则表达式的第一个匹配符:d。于是那去和字符串的字符进行比较,字符串的第一个字符是 T,不匹配,换下一个。第二个是 o,也不匹配,再换下一个。
  • 第三个是 d,匹配了,那么?#25237;?#21462;正则表达式的第二个字符:a。 读取到正则表达式的第二个匹配符:a。那着继续和字符串的第四个字符 a 比较,?#21046;?#37197;了。那么接着读取正则表达式的第三个字符:y。
  • 读取到正则表达式的第三个匹配符:y。那着继续和字符串的第五个字符 y 比较,?#21046;?#37197;了。尝试读取正则表达式的下一个字符,发?#32622;?#26377;了,那么匹配结束。

上面这个匹配过程就是 NFA 自动机的匹配过程,但?#23548;?#19978;的匹配过程会比这个复杂非常多,但其原理是不变的。

NFA自动机的回溯

了解了 NFA 是如何进行字符串匹配的,接下来我们就可以讲讲这篇文章的重点了:回溯。为了更好地解?#31361;?#28335;,我们同样以下面的例子来讲解。

text="abbc"regex="ab{1,3}c"

上面的这个例子的目的比较简单,匹配以 a 开头,以 c 结尾,中间有 1-3 个 b 字符的字符串。NFA 对其解析的过程是这样子的:

首先,读取正则表达式第一个匹配符 a 和 字符串第一个字符 a 比较,匹配了。于是读取正则表达式第二个字符。 读取正则表达式第二个匹配符 b{1,3} 和字符串的第二个字符 b 比较,匹配了。但因为 b{1,3} 表示 1-3 个 b 字符串,以及 NFA 自动机的贪婪特性(也就是说要尽可能多地匹配),所以此时并不会再去读取下一个正则表达式的匹配符,而是依旧使用 b{1,3} 和字符串的第三个字符 b 比较,发现还是匹配。于是继续使用 b{1,3} 和字符串的第四个字符 c 比较,发现不匹配了。此?#26412;突?#21457;生回溯。 发生回溯是怎么操作呢?发生回溯后,我们已经读取的字符串第四个字符 c 将被吐出去,指针回到第三个字符串的位置。之后,程序读取正则表达式的下一个操作符 c,读取当前指针的下一个字符 c 进行对比,发?#21046;?#37197;。于是读取下一个操作符,但这里已经结束了。 下面我们回过头来看看前面的那个校验 URL 的正则表达式:

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~\/])+$

出现问题的 URL 是:

http://www.fapiao.com/dzfp-web/pdf/download?request=6e7JGm38jfjghVrv4ILd-kEn64HcUX4qL4a4qJ4-CHLmqVnenXC692m74H5oxkjgdsYazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf

我?#21069;?#36825;个正则表达式分为三个部分:

  • 第一部分:校验协议。^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)。
  • 第二部分:校验域名。(([A-Za-z0-9-~]+).)+。
  • 第三部分:校验参数。([A-Za-z0-9-~/])+$。

我们可以发现正则表达式校验协议 http:// 这部分是没有问题的,但是在校验 www.fapiao.com 的时候,其使用了 xxxx. 这种方式去校验。那么其实匹配过程是这样的:

  • 匹配到 www.
  • 匹配到 fapiao.
  • 匹配到 com/dzfp-web/pdf/download?request=6e7JGm38jf.....,你会发现因为贪婪匹配的原因,所以程序会一直读后面的字符串进行匹配,最后发?#32622;?#26377;点号,于是就一个个字符回溯回去了。

这是这个正则表达式存在的第一个问题。

另外一个问题是在正则表达式的第三部分,我们发现出现问题的 URL 是有下划线(_)和百分号(%)的,但是?#26434;?#31532;三部分的正则表达式里面却没有。这样?#31361;?#23548;致前面匹配了一长串的字符之后,发现不匹配,最后回溯回去。

这是这个正则表达式存在的第二个问题。

解决方案

明白了回溯是导致问题的原因之后,其实就是减少这种回溯,你会发现如果?#20197;?#31532;三部分加上下划线和百分号之后,程序就正常了。

public static void main(String[] args) {
 String badRegex = "^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)+([A-Za-z0-9-~_%\\/])+$";
 String bugUrl = "http://www.fapiao.com/dddp-web/pdf/download?request=6e7JGxxxxx4ILd-kExxxxxxxqJ4-CHLmqVnenXC692m74H38sdfdsazxcUmfcOH2fAfY1Vw__%5EDadIfJgiEf";
 if (bugUrl.matches(badRegex)) {
 System.out.println("match!!");
 } else {
 System.out.println("no match!!");
 }
}

运行上面的程序,立刻?#31361;?#25171;印出match!!。

但这是不够的,如果以后还有其他 URL 包含了乱七八糟的字符呢,我们难不成还再修改一遍。肯定不现实嘛!

其实在正则表达式中有这么三种模式: 贪婪模式、懒惰模式、独占模式。

在关于数量的匹配中,有 + ? * {min,max} 四种两次,如果只是单独使用,那么它们就是贪婪模式。

如果在他们之后加多一个 ? 符号,那么原先的贪婪模式?#31361;?#21464;成懒惰模式,即尽可能少地匹配。但是懒惰模式还是会发生回溯现象的。例如下面这个例子:

text="abbc"regex="ab{1,3}?c"

正则表达式的第一个操作符 a 与 字符串第一个字符 a 匹配,匹配成功。于是正则表达式的第二个操作符 b{1,3}? 和 字符串第二个字符 b 匹配,匹配成功。因为最小匹配原则,所以拿正则表达式第三个操作符 c 与字符串第三个字符 b 匹配,发现不匹配。于是回溯回去,拿正则表达式第二个操作符 b{1,3}? 和字符串第三个字符 b 匹配,匹配成功。于是再拿正则表达式第三个操作符 c 与字符串第四个字符 c 匹配,匹配成功。于是结束。

如果在他们之后加多一个 + 符号,那么原先的贪婪模式?#31361;?#21464;成独占模式,即尽可能多地匹配,但是不回溯。

于是乎,如果要彻底解决问题,就要在保证功能的同时确保不发生回溯。我将上面校验 URL 的正则表达式的第二部分后面加多了个 + 号,即变成这样:

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)
(([A-Za-z0-9-~]+).)++ --->>> (这里加了个+号)
([A-Za-z0-9-~_%\/])+$

这样之后,运行原有的程序就没有问题了。

最后推荐一个网站,这个网站可以检查你写的正则表达式?#25237;杂?#30340;字符串匹配时会不会有问题。

Online regex tester and debugger: PHP, PCRE, Python, Golang and JavaScript

例如我本文中存在问题的那个 URL 使用该网站检查后会提示:catastrophic backgracking(灾难性回溯)。

藏在正则表达式里的陷阱,一个正则表达式导致CPU 利用率居高不下

当你点击左下角的「regex debugger」时,它会告诉你一共经过多少步检查完毕,并?#19968;?#23558;所有步骤都列出来,并标明发生回溯的位置。

藏在正则表达式里的陷阱,一个正则表达式导致CPU 利用率居高不下

本文中的这个正则表达式在进行了 11 万步尝试之后,自动停止了。这?#24471;?#36825;个正则表达式确实存在问题,需要改进。

但是当我用我们修改过的正则表达式进行测试,即下面这个正则表达式。

^([hH][tT]{2}[pP]://|[hH][tT]{2}[pP][sS]://)(([A-Za-z0-9-~]+).)++([A-Za-z0-9-~\/])+$

工具提示只用了 58 步就完成了检查。

总结

以上所述是小编给大家介绍的一个正则表达式导致CPU 利用率居高不下,希望对大家有所帮助,如果大家有任?#25105;?#38382;请给我留言,小编会及时回复大家的。在此也非常?#34892;?#22823;家对脚本之家网站的支持!
如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!

相关文章

  • 正则表达式详述 三

    正则表达式详述 三

    正则表达式详述 三...
    2007-04-04
  • PHP正则表达式完全教程之提高篇

    PHP正则表达式完全教程之提高篇

    正则表达式,大家在开发中应该是经常用到,现在很多开发语言都有正则表达式的应用,比如javascript,java,.net,php等等,我今天就把?#21494;?#27491;则表达式的理解跟大家唠唠,不当之处,请多多指教!
    2015-09-09
  • JavaScript正则表达式验证中文?#36947;?#35762;解

    JavaScript正则表达式验证中文?#36947;?#35762;解

    JavaScript经常会验证中文本文将提供使用正则表达式实现,接下来介绍两个?#36947;??#34892;?#36259;的你可不要错过了哈,希望本例知识点可以帮助到你
    2013-02-02
  • Dreamweaver 正则替换(返回调用值)

    Dreamweaver 正则替换(返回调用值)

    非常不错的利用dreamweaver 正则实现的替换。并且有返回值的调用。
    2009-07-07
  • AS3 js正则表达式 反向引用(backreference)

    AS3 js正则表达式 反向引用(backreference)

    这篇文章主要介绍了AS3 js正则表达式 反向引用(backreference) 的相关资料,需要的朋友可以参考下
    2016-03-03
  • 简单的用js实现过滤多余字符的正则表达式

    简单的用js实现过滤多余字符的正则表达式

    利用正则表达法除去字符串中的重复字符,一个简单的JavaScript正则表达式?#36947;?#23558;一串含有重复字符串中的多余字符滤除掉,请运行查看效果。
    2010-10-10
  • 利用正则表达式抓取博客园列表数据

    利用正则表达式抓取博客园列表数据

    这篇文章主要介绍了利用正则表达式抓取博客园列表数据的相关资料,需要的朋友可以参考下
    2015-09-09
  • 使用正则限制input框只能输入数字/英文/中文等等

    使用正则限制input框只能输入数字/英文/中文等等

    限制input框只能输入数字或英文的方法有很多,下面为大介绍?#29575;?#29992;正则是如?#38382;?#29616;的,?#34892;?#36259;的朋友不要错过
    2013-11-11
  • 最新评论

    常用在线小工具

    时时彩包赢公式0369
    排列三走势图近2000期 福彩快3 腾讯彩票资讯 江苏十一选五走势图 新疆18选7官方网站 南拳捕鱼下载手机版 排列五和值走势图专业版 街机游戏棒球小子 山东时时彩网站 江苏虚拟e球彩走技巧 电子游艺连环夺宝 上海时时彩五星走势图 真人龙虎斗怎么看路子 江苏11选5中奖心得 英超精华26