推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 593 天前的主题，其中的信息可能已经有所发展或是发生改变。
pattern1 = re.compile(r'\b(?:[^\.,]{2,}\s){2,}[^\.,]{2,}(\b,|$)')
pattern2 = re.compile(r'\b(?:[\w]{2,}\s){2,}[\w]{2,}(\b,|$)')
pattern1 与 2 的区别是[^\.,] vs [\w]
数据量是 1000 条数据
pattern1 几十秒还不出结果；
pattern2 运行即拿到结果；
为何两者性能差这么多，有人指点一下吗？
pattern2 = re.compile(r'\b(?:[\w]{2,}\s){2,}[\w]{2,}(\b,|$)')
pattern1 与 2 的区别是[^\.,] vs [\w]
数据量是 1000 条数据
pattern1 几十秒还不出结果；
pattern2 运行即拿到结果；
为何两者性能差这么多，有人指点一下吗？
 |
1
k2wang OP 纠正：大概 4 万多条数据
|
 |
2
CEBBCAT 2023-05-16 20:37:42 +08:00
有没有尝试问一下 ChatGPT ？
|
 |
3
feedcode 2023-05-16 20:41:01 +08:00
先问是不是？
2 个不等价哦， "a bc" 这个 r'[\w]{2,}'就匹配不了 |
|
4
k2wang OP @CEBBCAT 问了，它说匹配的字符集不同，但不知怎么优化，如果不使用[^]的话，就需要穷举一些常见的英文字符-:"(啥的，解析的准确率要差一点
|
 |
5
NCityXu 2023-05-16 20:49:42 +08:00
根据您提供的信息，可以看出 pattern1 和 pattern2 在正则表达式模式中的区别是[^\.,]与[\w]的使用。
pattern1 中的[^\.,]表示匹配一个非逗号和句点的字符，而 pattern2 中的[\w]表示匹配一个单词字符（字母、数字或下划线）。这两个字符集的定义是不同的，可能会导致性能差异。 性能差异可能有以下几个原因： 字符集的复杂性：[^\.,]是一个更为复杂的字符集，它需要检查一个字符是否同时不是逗号和句点。这可能需要更多的计算资源和时间来确定是否匹配。 匹配的字符数量：[^\.,]{2,}要求匹配至少两个连续的非逗号和句点字符，而[\w]{2,}要求匹配至少两个连续的单词字符。如果输入的数据中存在很长的连续字符序列，pattern1 可能需要更多的时间来找到匹配。 数据的特征：具体的数据集特征也可能会影响正则表达式的匹配性能。如果数据中存在更多符合 pattern2 的模式，那么 pattern2 很可能会更快地找到匹配项。 由于缺乏具体的数据示例，以上仅是一些可能导致性能差异的常见原因。实际上，性能差异的具体原因可能需要更详细的分析和测试来确定。如果您能提供更多相关信息或示例数据，我可以尝试给出更具体的解释。 |
 |
7
roycestevie6761 2023-05-16 20:53:20 +08:00
@k2wang 以前遇到正则优化的时候，开发那边叫我用一下 hyperscan ，多模匹配这种，普通的正则根本不行。他们以前搞防火墙规则就用这个框架来做匹配，远远不止 4 万条数据。
|
|
8
k2wang OP @feedcode 两者确实不一样哈，[^\.,]会匹配更多的字符，这正是我需要的，如果只是[\w]，比较简单，无法满足需要。
附 1 条示例数据：Qiu J., Chen Y., Tian Z., Guizani N., Du X., The security of internet of vehicles network: Adversarial examples for trajectory mode detection, IEEE Netw., 35, pp. 279-283, (2021); 目的：识别出参考文献数据中的标题，The security of internet of vehicles network: Adversarial examples for trajectory mode detection 为什么不匹配作者？ 因为作者的匹配规则更麻烦 |
|
10
feedcode 2023-05-16 21:16:38 +08:00  2
不考虑字符集\w 等于[a-zA-Z0-9_]，没有必要写成[\w]
[^\.,] 这个会匹配空格，然后你后面还有空格的匹配，regex 会做 backtrack ，影响性能 |
|
11
k2wang OP @roycestevie6761 谢谢，我去了解下 hyperscan
|
 |
13
gnawll 2023-05-16 23:53:00 +08:00
（问 ChatGPT
|
 |
14
aloxaf 2023-05-17 02:39:25 +08:00 2
|
 |
15
gablic 2023-05-17 09:03:41 +08:00
两个模式之间的区别在于 pattern1 使用字符类[^\.,]，它匹配任何不是句号或逗号的字符，而 pattern2 使用字符类[\w]，它匹配任何单词字符（字母、数字或下划线）。
pattern1 比 pattern2 慢的原因是[^\.,]匹配的字符比[\w]多。这意味着 pattern1 需要比 pattern2 更多的工作来找到匹配项。 通常，在编写正则表达式时，使用最具体的字符类是一个好主意。这可以帮助提高性能并减少意外匹配的风险。 希望这可以帮助您！如果您有其他问题，请告诉我。 |
 |
16
popvlovs 2023-05-17 14:31:22 +08:00
@aloxaf 没错，所以现在我基本都是用 hyperscan 了，因为不是基于回溯实现的，所以没有那么多的 corner case
|
|
17
popvlovs 2023-05-17 14:40:22 +08:00
另外 hyperscan 限定了 x86 arch ，如果是 arm 可以参考这个 https://github.com/VectorCamp/vectorscan
|
Select Language