使用大型文档时,正常表达式非常慢

我需要将内联css样式属性转换为HTML标记equivelants.我已经工作的解决方案,但使用Microsoft .Net Regex命名空间和长文档(约40页的html)非常缓慢地运行.我尝试了几种变化,但没有有用的结果.我已经完成了执行表达式的一些包装,但最后它只是被调用的内置正则表达式Replace方法.

我确定我正在滥用正则表达式的贪婪,但我不确定如何使用单个正则表达式实现我想要的东西.

我希望能够运行以下单元测试:

[Test]
public void TestCleanReplacesFontWeightWithB()
{
    string html = "Bold Text";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("Bold Text", html);
}
[Test]
public void TestCleanReplacesMultipleAttributesFontWeightWithB()
{
    string html = "Bold Text";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("Bold Text", html);
}
[Test]
public void TestCleanReplaceAttributesBoldAndUnderlineWithHtml()
{
    string html = "Bold Text";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("Bold Text", html);
}
[Test]
public void TestCleanReplaceAttributesBoldUnderlineAndItalicWithHtml()
{
    string html = "Bold Text";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("Bold Text", html);
}
[Test]
public void TestCleanReplacesFontWeightWithSpaceWithB()
{
    string html = "Bold Text";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("Bold Text", html);
}

我用来实现这个逻辑的常规表达工作但非常慢.c#代码中的正则表达式如下所示:

public static IReplacePattern IncludeInlineItalicToITag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?.*?font-style:\\s*italic[^>]*>)(.*?)", "$1$3");
}
public static IReplacePattern IncludeInlineBoldToBTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?.*?font-weight:\\s*bold[^>]*>)(.*?)", "$1$3");
}
public static IReplacePattern IncludeInlineUnderlineToUTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?.*?text-decoration:\\s*underline[^>]*>)(.*?)", "$1$3");
}

Santiago Pal.. 7

我认为问题在于,如果找到没有定义样式属性的span | font标签,由于".*？",它将继续查找它直到文档结尾.我没有测试过它,但把它改成"[^>]*？" 可能会提高性能.

编辑:确保您对所有".*？"应用该更改.你有; 甚至是捕获标签之间内容的那个(使用"[^ <]*？"),因为如果文件格式不正确,它将捕获到下一个结束标记.

我认为问题在于,如果找到没有定义样式属性的span | font标签,由于".*？",它将继续查找它直到文档结尾.我没有测试过它,但把它改成"[^>]*？" 可能会提高性能.

编辑:确保您对所有".*？"应用该更改.你有; 甚至是捕获标签之间内容的那个(使用"[^ <]*？"),因为如果文件格式不正确,它将捕获到下一个结束标记.