Java正则表达式优化：解决SonarQube检测的栈溢出风险问题

我编写了如下Java代码：

Pattern myPattern =
                Pattern.compile("Customer_[a-zA-Z]+([-_][a-zA-Z0-9]+)*(#[a-zA-Z0-9]+)*(_[a-zA-Z0-9]+)*\\.xlsx");

在构建项目时，SonarQube检测失败，提示：

重构此重复结构，其可能在处理大输入时导致栈溢出。

并标记了正则表达式中的以下部分：

(#[a-zA-Z0-9]+)*

以及：

(_[a-zA-Z0-9]+)*

SonarQube标记的这两个结构属于嵌套贪婪重复，正则引擎处理这类结构时，若遇到超长且不匹配的输入，会触发大量递归回溯，最终导致栈溢出。核心问题是(X+)*这种嵌套结构，引擎会尝试拆分X+的匹配长度来满足外层*的要求，回溯深度随输入长度线性增长。

方式一：使用占有量词 #

Pattern myPattern = Pattern.compile("Customer_[a-zA-Z]+(?:[-_][a-zA-Z0-9]+)*(?:#[a-zA-Z0-9]++)*(?:_[a-zA-Z0-9]++)*\\.xlsx");

方式二：使用原子组 #

Pattern myPattern = Pattern.compile("Customer_[a-zA-Z]+(?:[-_][a-zA-Z0-9]+)*(?>#[a-zA-Z0-9]+)*(?>_[a-zA-Z0-9]+)*\\.xlsx");

改动说明 #

• 将原捕获组(...)改为非捕获组(?:...)，减少不必要的资源消耗
• 对标记的重复结构，使用占有量词++或原子组(?>...)：
  • 占有量词++会一次性占有所有符合条件的字符，匹配完成后不释放，避免回溯
  • 原子组(?>...)内的匹配结果一旦确定就不会被回溯修改
• 两种改动都保持了原正则的匹配逻辑，同时彻底消除了栈溢出的风险

内容的提问来源于stack exchange，提问作者Blnpwr