Всем привет!

Есть такое РВ:
^(%[\\dA-F]{2}|[\\w\\-.~!$&'()*+,;=])*$

Оно используется для проверки правильности части hostname в URL.
Для более быстрого понимания объясню его суть: любое количество сочетаний закодированных символов (например %AA) или любого одиночного символа из множества -.~!$&'()*+,;= , включая "слвесные" символы. По-скольку теоретически в URL могут встречаться как закодированные так и незакодированные символы, то используется "альтернация" посредством |.
Вот из-за нее то и происходит StackOverflowError , когда мы пытаемся проверить строку на соответствие РВ, в случаях когда длина строки превышает примерно 1500.

Вопрос в том, можно ли как-то избежать использования палки "|" в данном случае?

Ну и конечно альтернативные предложения принимаются

Погонял и так и сяк — ничего не выходит. Порежь на куски и проверь по отдельности.

Здравствуйте, Аноним, Вы писали:

А>Погонял и так и сяк — ничего не выходит. Порежь на куски и проверь по отдельности.

Или в 2 прохода гонять

— 1й проход замена %[\dA-F]{2} на какой-нибудь символ из второго набора, но не цифра или A-F, например !
— 2й проход — поиск уже по второму набору

Здравствуйте, hl-man, Вы писали:

HM>Вопрос в том, можно ли как-то избежать использования палки "|" в данном случае?

HM>Ну и конечно альтернативные предложения принимаются

У Вас же взаимоисключающие условия добавте жадные плюсики и наслаждайтесь:

^((%[\\dA-F]{2})+|[\\w\\-.~!$&'()*+,;=]+)*$

У меня выдерживает 22000 символов стабильно.

PAS>^((%[\\dA-F]{2})+|[\\w\\-.~!$&'()*+,;=]+)*$

PAS>У меня выдерживает 22000 символов стабильно.

У меня на 2000 валидных символах + 1 невалидный в конце (например, @) повисает на больше чем на минуту, потом я его вырубаю

Здравствуйте, Аноним, Вы писали:


PAS>>^((%[\\dA-F]{2})+|[\\w\\-.~!$&'()*+,;=]+)*$
PAS>>У меня выдерживает 22000 символов стабильно.
А>У меня на 2000 валидных символах + 1 невалидный в конце (например, @) повисает на больше чем на минуту, потом я его вырубаю
Не проще ли на pure Java переписать?

Здравствуйте, Аноним, Вы писали:

А>У меня на 2000 валидных символах + 1 невалидный в конце (например, @) повисает на больше чем на минуту, потом я его вырубаю

У меня 22000 валидных + 1 невалидный обрабатывается 60мс без оптимизаций В любом случае можно попробовать вылечить с помощью possessive quantifiers, которые поддерживаются в Java, чтоб бектрекинг отрубить.

^((%[\\dA-F]{2})++|[\\w\\-.~!$&'()*+,;=]++)*+$

Здравствуйте, Blazkowicz, Вы писали:

B>Здравствуйте, Аноним, Вы писали:


PAS>>>^((%[\\dA-F]{2})+|[\\w\\-.~!$&'()*+,;=]+)*$
PAS>>>У меня выдерживает 22000 символов стабильно.
А>>У меня на 2000 валидных символах + 1 невалидный в конце (например, @) повисает на больше чем на минуту, потом я его вырубаю
B>Не проще ли на pure Java переписать?

Пусть переписывает

Ещё как вариант можно обратную задачу решать — искать хоть один невалидный символ — по идее будет быстрее

Здравствуйте, Blazkowicz, Вы писали:

B>Не проще ли на pure Java переписать?

Нет, конечно! Когда мы искали простых путей?!

А>Ещё как вариант можно обратную задачу решать — искать хоть один невалидный символ — по идее будет быстрее

Например, так

[^\w\-.~!$&'()*+,;=%]|%(?![\dA-F]{2})

Здравствуйте, hl-man, Вы писали:

HM>Всем привет!

HM>Есть такое РВ:
HM>^(%[\\dA-F]{2}|[\\w\\-.~!$&'()*+,;=])*$

В итоге решение было таким:

^(?>%[\dA-F]{2}|[\w-.~!$&'()*+,;=])*$

Спасибо всем откликнувшимся ^_^

Здравствуйте, hl-man, Вы писали:

HM>В итоге решение было таким:

HM>^(?>%[\dA-F]{2}|[\w-.~!$&'()*+,;=])*$

HM>Спасибо всем откликнувшимся ^_^

По сути ты избавился от части бектрекинга атомарными группами. Possessive quantifiers сделает тоже самое и быстрее. Кстати, если у тебя символы встречаются чаще чем %ХХ, то стоит их поменять местами в регулярке.

Здравствуйте, PAS_Tor, Вы писали:
PAS>Possessive quantifiers сделает тоже самое и быстрее.
Гм... Возможно. По правде говоря я не очено то в них "въехал", потому и задействовал атомарные группы Надо изучить вопрос.
PAS>Кстати, если у тебя символы встречаются чаще чем %ХХ, то стоит их поменять местами в регулярке.
Тоже учту. Спасибо за совет.

Здравствуйте, hl-man, Вы писали:

PAS>>Possessive quantifiers сделает тоже самое и быстрее.
HM>Гм... Возможно. По правде говоря я не очено то в них "въехал", потому и задействовал атомарные группы Надо изучить вопрос.

Расчёт на то, что если ты встретил незакодированный символ, то с очень большой вероятностью следующий символ тоже будет не закодирован. То же самое с "процентными" группами. Так что имеет смысл выбирать сначала повторения, без необходимости обращаться к |.

Есть три нотации повторений:

Жадные – .+ – сначала отбирают всё что могут, потом, если нужно, потихоньку отдают символы строке назад (бектрекинг)

/<.+>/.exec("Some <tag>text</tag> here")

 

Ленивые – .+? – стараются как можно быстрее перескочить на последующую часть RegExp

/<.+?>/.exec("Some <tag>text</tag> here")

Притяжательные (Possessive quantifiers) – .++ – работает как жадный алгоритм, но не сохраняет инфо для бектрекинга.

/<.++>/.exec("Some <tag>text</tag> here") – не найдёт ничего, так как в .++ попадёт всё до конца строки и символ ">" не сможет быть найден, а поскольку информации о бектрекинге нет, то соответственно регулярка не тратит время на него и сразу фейлиться.
/<[^>]++>/.exec("Some <tag>text</tag> here") – это быстрый способ поиска (без бектрекинга) со взаимоисключающими условиями.

Здравствуйте, PAS_Tor, Вы писали:

PAS>Есть три нотации повторений:

PAS_Tor, благодарю за подробнейшие разъяснения! Это было очень полезно

Здравствуйте, hl-man, Вы писали:

h> Ну и конечно альтернативные предложения принимаются
А java.lang.URL принимается?