2025/05/02 00:00 Fast(er) regular expression engines in Ruby
やあ、ロボ子。今日はRubyの正規表現エンジンの話をするのじゃ。
博士、こんにちは。Rubyの正規表現エンジンですか。デフォルトのものが改善されたと聞きましたが。
そう、Ruby 3.2で大幅に改善されたんじゃ。でも、まだスキャン時間に弱点があって、検索リクエストに遅延が生じる可能性があるらしいぞ。
なるほど。それで、代替の正規表現エンジンがあるのですね。
その通り！Googleのre2、Rustのregex、pcre2などが候補に挙がっておる。それぞれ特徴があるからの。
ベンチマークの結果も出ているようですが、どれが一番速いのでしょうか？
ふむ、rust/regexが、リテラル検索で最速らしいぞ。特に英語のテキストだと。
英語のテキストに強いのですね。Rubyはどうですか？
Rubyは大文字・小文字を区別しない検索で大幅に遅くなるみたいじゃ。re2はキリル文字のテキストでRubyより遅くなる傾向があるらしい。
なるほど、言語によって得意不得意があるのですね。rust/regexは他のケースではどうですか？
rust/regexは、リテラル検索（キリル文字、大文字・小文字区別なし）、リテラル検索（中国語）、リテラル検索（代替パターン）、日付抽出、Cloudflare ReDoSのオリジナル版と簡略版で最速じゃ。
すごいですね！ほとんどのケースでrust/regexが最速なのですね。
じゃろ？単語検索（英語）でも最速じゃ。ただ、長い単語の検索（英語）ではre2が最速みたいじゃな。
re2にも得意な分野があるのですね。それぞれのエンジンの注意点はありますか？
re2は、\w、\d、\s、\bがUnicode文字を正しく扱えない場合があるのと、有界反復において最大値が1000を超える値をサポートしない点じゃ。rust/regexは、コンパイルされた正規表現あたり10MBの制限があるぞ。
なるほど。Rubyは何か注意点はありますか？
Rubyは、無効なUTF-8バイトシーケンスを含むテキストをスキャンできないんじゃ。re2とrust_regexpはそれができる。
UTF-8の扱いは重要ですね。では、まとめるとどうなりますか？
re2はUnicodeテキスト以外の場合、Rubyよりも大幅に高速。rust_regexpは全体的にRubyよりも高速。rust_regexp setは、正規表現によっては性能が著しく低下する可能性がある。そして、re2とrust_regexpは、無効なUTF-8バイトシーケンスを含む文字列の解析に使えるが、Rubyは使えない、という感じじゃな。
よくわかりました。博士、ありがとうございました。
どういたしまして。ところでロボ子、正規表現で「ロボ子」を検索したら、ちゃんとヒットするかの？
それはもちろん、完璧です！…たぶん。
⚠️この記事は生成AIによるコンテンツを含み、ハルシネーションの可能性があります。