为什么Java正则表达式引擎在+重复上抛出StringIndexOutOfBoundsException?错误 ID 6984178探索斐波那契形态关于算法

2022-09-03 15:25:40

我已经写了一个正则表达式模式来查找斐波那契数列(为什么并不重要,我只是做了)。它如预期的那样出色地工作(见 ideone.com):

    String FIBONACCI = 
        "(?x) .{0,2} | (?: (?=(\\2?)) (?=(\\2\\3|^.)) (?=(\\1)) \\2)++ . ";

    for (int n = 0; n < 1000; n++) {
        String s = new String(new char[n]);
        if (s.matches(FIBONACCI)) {
            System.out.print(n + " ");
        }
    } // 0 1 2 3 5 8 13 21 34 55 89 144 233 377 610 987 

所有格重复(即 在主“循环”上)是至关重要的,因为您不希望使用此匹配算法进行回溯。但是,使重复可回溯(即仅在主“循环”上)不会导致不匹配,而是运行时异常!!!(如 ideone.com 所示):+++

Exception in thread "main" java.lang.StringIndexOutOfBoundsException:
    String index out of range: -1

    at java.lang.String.charAt(String.java:686)
    at java.lang.Character.codePointAt(Character.java:2335)
    at java.util.regex.Pattern$CharProperty.match(Pattern.java:3344)
    at java.util.regex.Pattern$GroupCurly.match0(Pattern.java:3994)
    at java.util.regex.Pattern$GroupCurly.match0(Pattern.java:3966)
    at java.util.regex.Pattern$GroupCurly.match(Pattern.java:3916)
    at java.util.regex.Pattern$Branch.match(Pattern.java:4114)
    at java.util.regex.Matcher.match(Matcher.java:1127)
    at java.util.regex.Matcher.matches(Matcher.java:502)
    at java.util.regex.Pattern.matches(Pattern.java:930)
    at java.lang.String.matches(String.java:2090)

有人能解释一下这里发生了什么吗?这是 Java 正则表达式引擎中的错误吗?


答案 1

错误 ID 6984178

有许多与引擎抛出相关的错误(请参阅:搜索结果。特别是这个已被报告并在内部被接受为Bug ID 6984178(可能需要一段时间才能在外部数据库中显示)。StringIndexOutOfBoundsException

下面是一个重现 bug 的更简单的模式(另请参见 ideone.com):

System.out.println(
   "abaab".matches("(?x) (?: (?=(a+)) \\1 b )* x")
); // StringIndexOutOfBounds: -1

请注意,使用 或 只是按预期返回。*?*+false

看起来问题是由试图回溯贪婪的重复触发的,当在前瞻内引用捕获组时:越界索引是第一个和第二个之间的长度差异(例如 获取 )。a+"aabaaaaab"-3

人们可能必须调试java.util.regex.Pattern源代码,以确定错误的确切性质。


探索斐波那契形态

在Java引擎上,贪婪的回溯+

下面是一个更冗长的片段,以显示引擎在这种模式上有多疯狂:

String FIBONACCI = 
    "(?x) .{0,2} | (?: (?=(\\2|^)) (?=(\\2\\3|^.)) (?=(\\1)) \\2)+ . ";

for (int n = 0; n < 1000; n++) {
    String s = new String(new char[n]);
    try {
        if (s.matches(FIBONACCI)) {
            System.out.printf("%n%s", n);
        }
    } catch (StringIndexOutOfBoundsException e) {
        String index = e.getMessage().replace("String index out of range: ", "");
        System.out.printf(" <%s:%s>", n, index);
    }
}

(稍作编辑的)输出是(如 ideone.com 所示):

0 1 2 3 <5:-1>
6 <7:-1> ... <12:-1> <13:-3>
14 <15:-3> ... <33:-3> <34:-8>
35 <36:-8> ... <88:-8> <89:-21>
90 <91:-21> ... <232:-21> <233:-55>
234 <235:-55> ... <609:-55> <610:-144>
611 <612:-144> ...

因此,引擎以某种方式尝试访问 -1、-3、-8、-21、-55、-144 等处的字符串索引。请注意,这些是所有其他斐波那契数列,但为负数。另请注意,除了前几个数字之外,其余的匹配项(6,14,35,...)不是斐波那契数列。


在.NET引擎上,贪婪的回溯+

虽然该模式最初编写时考虑到了所有格量词的必要性,但实际上回溯重复仍然会产生正确的答案(假设引擎不像Java那样有缺陷)。下面是 .NET 引擎上的 C# 实现(另请参见 ideone.com):

Regex r = new Regex(
  @"(?x) ^.{0,1}$ | ^(?: (?=(\2?)) (?=(\2\3|^.)) (?=(\1)) \2)+ . $ "
);

for (int n = 0; n < 1000; n++) {
  if (r.IsMatch("".PadLeft(n))) {
    Console.Write("{0} ", n);
  }
}
// 0 1 2 3 5 8 13 21 34 55 89 144 233 377 610 987 

如您所见,即使使用回溯“循环”,输出也是正确的。事实上,正是因为它是一个回溯循环,所以特殊情况可以限制为代替。+.{0,1}.{0,2}


在Java引擎上,不情愿地回溯+?

这在 Java 中按预期工作。另外,由于它不情愿,我们也可以限制特殊情况(另请参阅 ideone.com):.{0,1}

String FIBONACCI = 
        "(?x) .{0,1} | (?: (?=(\\2|^)) (?=(\\2\\3|^.)) (?=(\\1)) \\2)+? . ";

关于算法

公式

该模式利用斐波那契数列的第二个恒等式

alt text

这可以通过归纳来证明。

模式

让我们使用这个版本的模式(在Java中工作,当锚定时,也适用于C#):

                                                     summation 
free-space!                                            "loop"
    ↓                                                     ↓
   (?x) .{0,1} | (?: (?=(\2|^)) (?=(\2\3|^.)) (?=(\1)) \2)+? .
        \____/   \___________________________________/  ↑    ↑  
      base case      inductive case                    +Fi  +1
     for n = 0,1
                     (assertions don't "count" toward sum)!
                        $1 := $2    (or initialized with 0)
                        $2 := $2+$3 (or initialized with 1)
                        $3 := $1    (a temporary variable for the "swap")

斐波那契数列的生成很简单,基于过渡。由于断言是按顺序执行的,因此引入了一个临时变量(就像单赋值“伪代码”版本一样)。[$1, $2] := [$2, $2+$1]


答案 2