技术头条 - 一个快速在微博传播文章的方式     搜索本站
您现在的位置首页 --> 系统运维 --> Java正则引发的思考

Java正则引发的思考

浏览:2688次  出处信息

pre: 感谢 九任 对我的支持~

情况回放:

   上周预发机器出了一个问题,CPU不定时会近100%满负载运行。重启以后就会恢复,之后又会到达100%,而且不会自恢复。

   首先想到的是程序出现了死循环,于是用jstack把栈打印出来,发现业务线程都停在了regex相关的代码上,有死循环的样子。

   

   查看栈,发现一切都是由ClientFilter这个类开始,其使用了matcher.matches()方法。这样一来,就很可能是由于输入了不规范的正则导致的了。于是查看输入日志,发现这么一个输入:

   

   也就是说输入的正则表达式为:******Deliver …,我们的代码会将这种代码规范成:.*.*.*.*.*.*.*Deliver。在java试了一下,试着匹配

   “sssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssssss”,果然会假死。

那么问题是:为什么输入这种正则会导致假死?

   这里的原因是:java使用的是greedy模式来匹配 .*。为了让分析简单,我们将输入改成:.*.*.*.*D,正则需要匹配的字符串为:abcdefghijklmnopqrstuvwxyz0123456789,共36个字符。首先,我们将正则转换成 ”有限自动机(Finite-State Machine)“

   那么greedy模式(可参看:java.util.regex.Pattern.Curly.match0(…),另两个是possessive与lazy,分别对应 + 与 ?)的意思就是:最大可能的匹配当前状态(优先匹配粗的路径),当不能匹配时再回溯配置下一个(虚线所示),直到,回溯到cmin个匹配(对于 .* 这个cmin为0)。比如说

   .*D,如果想匹配 testDdev,那么Java首先将 .* 转成 .{0, MAX}(这里的MAX应该是2亿多,具体可以看代码),那么 .{0, MAX} 得到的匹配是(java会自动在string后加上一个终止字符,这个字符只能java.util.regex.Pattern.LastNode匹配):

   testDev$

    RED: 已匹配的部分

   当到最后时,java会调用 next.match(matcher, i, seq)

   testDev$

    RED: 已匹配的部分

   BLUE:回溯部分

   显然这里 D 不匹配,所以又需要回溯

   testDev$

    RED: 已匹配的部分

   BLUE:回溯部分

   显然这里 e 也不匹配,所以还需要回溯,直到回溯到 D,才会正式进入到下一个状态:

   testDev$

    RED: {0 MAX} 配置的部分

   BLUE:回溯部分

   GREEN: D 配置的部分

   testDdev

    RED: 已匹配的部分

   如下面的代码所示(java.util.regex.Pattern.Curly.match0(…)):

   

   看了上面的示例我想大家应该有点头绪了。现在我们回到 .*.*.*.*D 这里,其在java内经过Pattern.compile之后是这个样子:

   

   type=0,表示使用的就是greedy方式。那么这里面有4个curly,我们用C1-4代表之。首先是C1满匹配:

   abcdefghijklmnopqrstuvwxyz0123456789$

   我们省略前面几步,看看回溯到5字符有什么特别

   abcdefghijklmnopqrstuvwxyz0123456789$

   这时候,C1释放出了5个字符,那么这里就相当于 用 .*.*.*D 去配置6789$,那么老样子C2会首先满匹配

   abcdefghijklmnopqrstuvwxyz0123456789$

   然后next.match(matcher, i, seq),不匹配,再next.match(matcher, i, seq),‘D’也不匹配。只能回溯,我们看看回溯4个字符是什么样子

   abcdefghijklmnopqrstuvwxyz0123456789$

   这时就相当于用 .*.*D 去匹配 789$ 了,又满匹配,next又不匹配,再回溯,如下:

   abcdefghijklmnopqrstuvwxyz0123456789$

   就成了用 .*.*D 去match 89$,当 C2-4 都失败后,C1才会再退一个字符,再进行递归:

   abcdefghijklmnopqrstuvwxyz0123456789$

   

我们到底需要多少步才能将这些数字match完?

   

   可想而知,这里的数目有多么大。那么问题来了,我们到底需要多少步才能将这些数字match完?OK,要解决这个问题,关键是要弄清这个递归。

   设字符长度为n(加上终止符),正则长度为 m(这里是有效节点,如 .* 是一个节点)。从上面的例子,我们能总结出递归的步骤为:

   1、若m=1,返回 1;若m>1,步数 + n

2、回溯 i=1到n-1个字符,对于每个i 取 m=m-1, n=n-i 回1,并把所有的结果求合;

   总的来说,用数学公式表示的话,就是这个样子:

   

   这里我写了个简单的实现:

   (:这里的 depth 并不是递归深度,而是递归次数,当时搞错了)

好了,现在我们来验证一下我们的结果,通过看jdk源码,我们知道,.* 在匹配时调用的是java/util/regex/Pattern$CharProperty.match 方法,而 D 调用的是java/util/regex/Pattern$BmpCharProperty.match 。由于我们不能更改源代码,我们使用ASM

   字节注入工具,分别在这两个方法上埋点,部分代码如下:

  • package com.alibaba.taobao.tinyprofiler;  

  •  

  • import java.lang.instrument.ClassFileTransformer;  

  • import java.lang.instrument.IllegalClassFormatException;  

  • import java.security.ProtectionDomain;  

  •  

  • import org.objectweb.asm.ClassAdapter;  

  • import org.objectweb.asm.ClassReader;  

  • import org.objectweb.asm.ClassWriter;  

  •  

  • public class MethodCallCountTransformer implements ClassFileTransformer {  

  •    @Override  

  •    public byte[] transform(ClassLoader loader, String className, Class<?> classBeingRedefined,  

  •            ProtectionDomain protectionDomain, byte[] classfileBuffer) throws IllegalClassFormatException {  

  •        try {  

  •            if (!“java/util/regex/Pattern$CharProperty”.equals(className)  

  •                    && !“java/util/regex/Pattern$BmpCharProperty”.equals(className)) {  

  •                return classfileBuffer;  

  •            }  

  •  

  •            ClassWriter writer = new ClassWriter(ClassWriter.COMPUTE_MAXS);  

  •            ClassAdapter adapter = new MethodCallClassAdapter(writer, className);  

  •  

  •            ClassReader reader = new ClassReader(classfileBuffer);  

  •            reader.accept(adapter, 0);  

  •  

  •            // 生成新类字节码  

  •            return writer.toByteArray();  

  •        } catch (Exception e) {  

  •            e.printStackTrace();  

  •  

  •            // 返回旧类字节码  

  •            return classfileBuffer;  

  •        }  

  •    }  

  • }  

  • package com.alibaba.taobao.tinyprofiler;

  • import java.util.concurrent.atomic.AtomicInteger;  

  •  

  • public class Counter {  

  •    private static AtomicInteger methodCallCount = new AtomicInteger(0);  

  •  

  •    public static void printAndIncCount(String className, String methodName) {  

  •        System.out.println(className + “.” + methodName + “ called, total times ” + methodCallCount.incrementAndGet());  

  •    }  

  • }  

   OK,现在我们输入:

   String regex = “.*.*.*D”;

   String target = “22asdvasdx”;

   Pattern.compile(regex).matcher(target).matches();

   System.out.println(“Xuanyin’s estimated count: ” + findTotalWays(4, target.length()) + “; depth: ” + recursionDepth);

   输出结果(:这里的 depth 并不是递归深度,而是递归次数,当时搞错了):

   

   肿么样,分毫不差~OK,那么我们现在回到最开始的问题,输入 .*.*.*.*.*.*D 去匹配 com.taobao.binary.bogda.query.service.RulesInfoQueryService:1.0.0.daily

   

   结果显示需要 5 亿 匹配, 还要进出栈近 2.5 亿次哦

   这里我的机器是i7-2600K 超4.5G,结果显示需要5秒,这还是不是最差的情况哦~

   

   而每次用户查询要匹配近600个这样的字符串,~你说匹配得完嘛。

建议继续学习:

  1. 统计最近用过的linux命令    (阅读:5236)
  2. grep 正则表达式选项要记得转义    (阅读:5092)
  3. 正则表达式基础    (阅读:4944)
  4. 正则表达式的与或非    (阅读:4586)
  5. 学习Grep,Sed中的正则    (阅读:3910)
  6. URL正则表达式    (阅读:3479)
  7. PHP 正则里面的两个重要技巧    (阅读:3363)
  8. 正则表达式简要入门    (阅读:3367)
  9. 正则表达式简介及使用    (阅读:3188)
  10. 正则转义符汇总    (阅读:3196)
QQ技术交流群:445447336,欢迎加入!
扫一扫订阅我的微信号:IT技术博客大学习
<< 前一篇:管理Gearman
后一篇:linux调整swap大小 >>
© 2009 - 2024 by blogread.cn 微博:@IT技术博客大学习

京ICP备15002552号-1