Optymalizacja regeksu - wymykanie się znakom ampersands w języku Java

Question

Muszę zastąpić wszystkie & w ciągu, który nie jest częścią encji HTML. Tak, że ciąg "This & udziałów w jednostkach > & <" zwróci "To & udziałów w jednostkach > & <"

A ja wymyśliłem ten regex-wzorca: "& [a-zA-Z0-9] {2 , 7}; "który działa dobrze. Ale nie jestem bardzo wyszkolony w regex, a kiedy testuję szybkość ponad 100k iteracji, to wykorzystuje on podwójną ilość czasu względem poprzedniej używanej metody, która nie używała regex. (Ale też nie działa w 100%).

Testcode:

long time = System.currentTimeMillis(); 
String reg = "&(?!&#?[a-zA-Z0-9]{2,7};)"; 
String s="a regex test 1 & 2 1&2 and &_gt; - &_lt;" 
for (int i = 0; i < 100000; i++) {test=s.replaceAll(reg, "&amp;");} 
System.out.println("Finished in:" + (System.currentTimeMillis() - time) + " milliseconds"); 

Więc pytanie byłoby, czy istnieją pewne oczywiste sposoby zoptymalizować ten regex wyrażenie na to, aby być bardziej skuteczne?

Answer 1

s.replaceAll(reg, "&") kompiluje wyrażenie regularne za każdym razem. Kompilacja wzoru raz zapewni pewien wzrost wydajności (~ 30% w tym przypadku).

long time = System.currentTimeMillis(); 
String reg = "&(?!&#?[a-zA-Z0-9]{2,7};)"; 
Pattern p = Pattern.compile(reg); 
String s="a regex test 1 & 2 1&2 and &_gt; - &_lt;"; 
for (int i = 0; i < 100000; i++) { 
    String test = p.matcher(s).replaceAll("&amp;"); 
} 
System.out.println("Finished in:" + 
      (System.currentTimeMillis() - time) + " milliseconds"); 

Answer 2

Nie jestem zaznajomiony z klasami wyrażeń regularnych Java, ale ogólnie rzecz biorąc, możesz chcieć zbadać zerową szerokość wyprzedzenia; po ampersandzie.

Here is a link opisujące pozytywne i negatywne lookaheads

Answer 3

Innym sposobem na osiągnięcie tego wihtout dmuchanie głowę z regexp byłoby użyć StringEscapeUtils z Commons Lang.

Answer 4

Musisz wykluczyć & ze swojego stwierdzenia z wyprzedzeniem. Więc spróbuj tego wyrażenia regularnego:

&(?!#?[a-zA-Z0-9]{2,7};) 

Albo dokładniej:

&(?!(?:#(?:[xX][0-9a-fA-F]|[0-9]+)|[a-zA-Z]+);)