std::regex_replace 引起的core问题追踪

发现问题

线上预警出现了 core dump 导致应用重启，分析后，报错如下：

问题追踪

第一感觉是哪个正则匹配引起的，导致循环次数过多。在网上搜一下相关的问题，已经有人指出了，并且很容易复现，具体参考 https://stackoverflow.com/questions/36304204/%D0%A1-regex-segfault-on-long-sequences。

那具体到自己的业务情况是怎样的呢？我们要找出有问题的正则，并且要修复。

出现 core 的情况下，错误日志还没有及时刷新到磁盘上，程序已经崩溃了。只能尽量查找出错的上下文。首先确定具体的 core 时间点，越精确越好，到秒基本就可以了。然后根据这个时间点 grep 具体机器上的日志。日志会打印入口请求及结束记录。如果找到断层的日志，也就是没有结束记录，那基本上可以断定在那个请求上发现的问题。确定具体请求后，结合相关业务，很容易找到问题出现的原因。

最后确定的正则是 《.*》。程序会做一层过滤，把书名号里面的文本进行过滤掉。确定原因后，我们可以复现下。

发现当 i=32697 时，程序出现了 core。

把 test += " "; 变成 test += "中";，发现当 i=10896，出现 core。

把 test += " ";变成 test += "《中》";, 发现当 i=3630 时，就会出现 core。

问题分析

首先来看下 《.*》 这个正则，严格的说，是错误的，语义并不明确。

这个正则的执行步骤是，首先匹配 《，如果匹配到，则执行 .* 的匹配，不管文本有多长，什么内容，是否包含 》， 它都会一直往下匹配，直到文本最后。然后开始回溯，向前回溯一个字符，然后尝试匹配 》，如果找到，则匹配成功，完成。否则，会继续回溯，直到找到 》，如果没有找到，则匹配失败。

假设匹配的文本 《仙界科技》《灵魂导游》我是中国人，那么匹配的内容是 《仙界科技》《灵魂导游》，而不是单独的两个 《仙界科技》 和 《灵魂导游》。

解决问题

上面的正则，更准确的表述应该是 《[^》]+》。但在C++中，对中文字符支持的很弱，导致某些匹配失败。

对于正则引擎来说，默认的规则是执行最长的匹配，通过特殊字符的使用，可以使用最短路径匹配。在我们的例子中就是 《.*?》。执行步骤是首先匹配 《，然后对下一个字符尝试匹配 》，如果匹配成功，则成功，否则匹配 .*, 这肯定能匹配到，然后再次尝试匹配 》，依次循环下去。

改正后的正则，再次执行相关用例，就不会出现 core 问题了(匹配过程中没有使用回溯)。

总结

std::regex_replace 确实有 bug 会引起 core 问题。没有统一的方式如何去规避。只能具体情况具体分析。保证两点基本上会规避这样的问题：

• 匹配的内容不宜过长，很少正则需要匹配太长的内容（没有意义），向我们上面的例子，某些情况下，就是有 bug 的正则。 test += "《中》"; 这里的测试，就很容易复现。匹配内容过长。
• 正则匹配的过程中，回溯的次数越少越好，更多的回溯，造成 core 的可能性越大。需要对正则做最坏情况的估计，保证最坏情况下，回溯越少越好。