前言

正則表達式是字串處理的利器，但錯誤的量詞選擇可能導致嚴重效能問題，甚至造成堆疊溢位。本文深入剖析貪婪/非貪婪匹配機制、回溯原理，並透過實例展示如何撰寫高效能的正則模式。

貪婪 vs 非貪婪量詞

量詞後加 ? 即為非貪婪（惰性）模式：

• 貪婪：*、+、?、{n,m} —— 盡可能多匹配
• 非貪婪：*?、+?、??、{n,m}? —— 盡可能少匹配

經典陷阱：腳本標籤過濾失敗

$str = '<script<script>alert(document.cookie)</script>>alert(document.cookie)</script>';

// 非貪婪模式
$str = preg_replace('%<script>.+?</script>%i', '', $str);
// 結果：<script>alert(document.cookie)</script> （殘留外層標籤）

// 貪婪模式
$str = preg_replace('%<script>.+</script>%i', '', $str);
// 結果：<script （過度匹配至最後一個閉合標籤）

正確寫法應排除中間出現的閉合標籤：

%<script>(?:(?!<\/script>).)+<\/script>%

回溯機制圖解

案例 1：貪婪導致的回溯

模式：\w*(\d+)，字串：cfc456n

1. \w* 先佔據整個字串 cfc456n
2. \d+ 無字元可匹配，觸發回溯
3. \w* 逐字吐出：n→6，\d+ 匹配到 6 成功
4. 結果 $1 = "6"（非預期的 456）

案例 2：非貪婪的逐步嘗試

模式：\w*?(\d+)，字串：cfc456n

1. \w*? 從 0 字元開始嘗試，每次匹配 1 字元後交給 \d+
2. 歷經 c、f、c 失敗後，\d+ 終於匹配到 456
3. 結果 $1 = "456"，但執行了大量回溯步驟

效能殺手：過度回溯導致堆疊溢位

$reg = "/<script>.*?<\/script>/is";
$str = "<script>" . str_repeat("*", 100014) . "</script>";
$ret = preg_replace($reg, "", $str); // 返回 NULL，堆疊耗盡

解決方案：使用佔有優先量詞或原子分組避免不必要回溯，或改用 DOM 解析器處理 HTML。

最佳實踐建議

• 優先使用具體字元類別（如 [^<]*）替代 .*?
• 避免巢狀量詞（如 (a*)*）
• 長字串處理考慮 preg_match_all 分段處理
• 複雜 HTML/XML 處理請用專門解析器（DOMDocument、SimpleXML）