Ruby中调用.scan方法搭配正则表达式耗时过长问题求助

这个问题的核心原因是你使用的邮箱正则表达式存在灾难性回溯（Catastrophic Backtracking），这是正则引擎性能问题里最常见的坑之一。当扫描的字符串结构接近邮箱格式但最终不匹配时，正则引擎会尝试成千上万种无效的匹配路径，导致耗时指数级增长——极端情况下就是你遇到的5分钟耗时。

为什么会出现回溯？ #

看你正则里的这部分结构：

(?:\.[a-zA-Z0-9!#$%&'*+/=?^_`{|}~-]+)*

这个分组后面跟着*（匹配0次或多次），当字符串里有大量类似....的结构但后续不满足域名匹配时，引擎会反复回溯这个分组的匹配次数，尝试所有可能的拆分方式，直到确认无法匹配为止。这种无限制的回溯会直接拖垮性能。

解决方案：优化正则表达式 #

我们可以通过**原子组（Atomic Groups）**来避免回溯——原子组的特点是一旦匹配成功，就不会再回溯该组内的内容，直接跳过所有无效的路径尝试。同时，加上字符串锚点（\A/\z）可以让引擎更快定位到目标匹配范围。

优化后的正则如下：

regexp_pattern = '\A[a-zA-Z0-9!#$%&\'*+/=?^_`{|}~-]+(?> \.[a-zA-Z0-9!#$%&\'*+/=?^_`{|}~-]+ )*@(?> [a-zA-Z0-9](?>[a-zA-Z0-9-]*[a-zA-Z0-9])?\.)+[a-zA-Z0-9](?>[a-zA-Z0-9-]*[a-zA-Z0-9])?\z'

这里的(?> ... )就是原子组，它告诉Ruby正则引擎：一旦这个组里的内容匹配成功，就不要再回头尝试其他拆分方式了。

修改后的测试代码 #

把你的测试方法替换成这个版本，再测试耗时会大幅降低：

def time_regexp_test(string)
  start = Time.now
  puts "parse start: #{start}"
  # 优化后的正则，避免灾难性回溯
  regexp_pattern = '\A[a-zA-Z0-9!#$%&\'*+/=?^_`{|}~-]+(?> \.[a-zA-Z0-9!#$%&\'*+/=?^_`{|}~-]+ )*@(?> [a-zA-Z0-9](?>[a-zA-Z0-9-]*[a-zA-Z0-9])?\.)+[a-zA-Z0-9](?>[a-zA-Z0-9-]*[a-zA-Z0-9])?\z'
  email = string.scan(/#{regexp_pattern}/).flatten.last
  finish = Time.now
  puts "parse finish: #{finish}"
  puts "duration: #{finish - start}"
end

额外建议 #

如果你需要扫描文本中所有的邮箱（而不是验证单个字符串），可以去掉\A和\z锚点，但保留原子组优化，同样能避免回溯问题。另外，Ruby 2.4+对正则引擎的性能已有一定优化，但核心的回溯问题还是需要通过正则结构调整来解决。

内容的提问来源于stack exchange，提问作者Alex Baidan