我正在寻找一种在 C# 中查找字符串中所有日期的快速方法(该字符串是一个大文本,我必须扫描大约 200,000 个不同的字符串)。
因为日期的写法有很多种(例如 31/12/2012 或 Dec 31, 2012 等等), 我正在使用这个正则表达式(应该涵盖几乎所有常见的日期书写方式):
string findDates = "(?:(\d{1,4})- /.- /.)|(?:(\s\d{1,2})\s+(jan(?:uary){0,1}\.{0,1}|feb(?:ruary){0,1}\.{0,1}|mar(?:ch){0,1}\.{0,1}|apr(?:il){0,1}\.{0,1}|may\.{0,1}|jun(?:e){0,1}\.{0,1}|jul(?:y){0,1}\.{0,1}|aug(?:ust){0,1}\.{0,1}|sep(?:tember){0,1}\.{0,1}|oct(?:ober){0,1}\.{0,1}|nov(?:ember){0,1}\.{0,1}|dec(?:ember){0,1}\.{0,1})\s+(\d{2,4}))|(?:(jan(?:uary){0,1}\.{0,1}|feb(?:ruary){0,1}\.{0,1}|mar(?:ch){0,1}\.{0,1}|apr(?:il){0,1}\.{0,1}|may\.{0,1}|jun(?:e){0,1}\.{0,1}|jul(?:y){0,1}\.{0,1}|aug(?:ust){0,1}\.{0,1}|sep(?:tember){0,1}\.{0,1}|oct(?:ober){0,1}\.{0,1}|nov(?:ember){0,1}\.{0,1}|dec(?:ember){0,1}\.{0,1})\s+([0-9]{1,2})[\s,]+(\d{2,4}))";
带有“RegexOptions.Compiled | RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace”标签。 另外,我尝试预编译正则表达式以使其更快。
问题是它非常慢(在某些文本上超过 2 秒) 有没有更好、更有效的方法来做到这一点?
谢谢
最佳答案
表达式总体上看起来不错,正如其他人所提到的,所有 {0,1}
而不是 ?
和 可能有点冗长(?:
而不是应用 RegexOptions.ExplicitCapture
。但这些不应使表达式变慢。它们只会带来更好的可读性。
可能导致速度缓慢的事实是,通过将扩展月份和 .选修的。我想知道如果您将表达式更改为仅应用可选的 .一次,在月份名称之后,如果您将月份名称设为贪婪组((?>pattern)
非回溯(或“贪婪”)子表达式。)
这样:
(jan(?:uary){0,1}\.{0,1}|feb(?:ruary){0,1}\.{0,1}|mar(?:ch){0,1}\.{0,1}|apr(?:il){0,1}\.{0,1}|may\.{0,1}|jun(?:e){0,1}\.{0,1}|jul(?:y){0,1}\.{0,1}|aug(?:ust){0,1}\.{0,1}|sep(?:tember){0,1}\.{0,1}|oct(?:ober){0,1}\.{0,1}|nov(?:ember){0,1}\.{0,1}|dec(?:ember){0,1}\.{0,1})\s+(\d{2,4}))
会变成:
(?>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|june?|july?|aug(ust)?|sep(tember)?|oct(ober)?|nov(ember)?|dec(ember)?)\.?\s+(\d{2,4}))
它不仅更短,而且我希望它更快。
然后是表达式开头的部分,这对我来说真的没有意义 (?:(\d{1,4})-/.-/.)
格式丢失了一些东西,或者这一点都没有帮助。
\d{1,4} 对于一年或任何其他日期部分都有意义,但 -/.-/.
之后根本没有意义。我想你的意思是这样的:
\d{1,4}[- /.]\d{1,2}[- /.]\d{1,2}
或者那个地区的东西。就目前而言,它会捕获垃圾,可能不会加快匹配过程。
最后,我同意 Aliostad 的观点,您最好尝试找到一个不太精确的模式来找到初始候选对象,然后使用 DateTime.TryParseExact 或使用一组额外的表达式来缩小结果范围。
您可以使用大量精确的表达式,而不是创建一个“全局”表达式来查找候选人。您会发现,使用正则表达式,在大量输入上运行多个精确表达式通常比运行一个包含大量 | 和 ? 的表达式成本更低。
因此,将您的搜索分解为多个非常精确的表达式可能会带来更高的性能,这些可能是一个开始:
\b\d{1,2}[- .\\/]\d{1,2}[- .\\/](\d{2}|\d{4})\b
\b((jan|feb|mar|apr|jun|jul|aug|sep|oct|nov|dec)(.|[a-z]{0,10})|\d{1,2})[- .\\/,]\d{1,2}[- .\\/,](\d{2}|\d{4})\b
如您所见,所有可选组都已从这些表达式中删除,使它们运行起来更快。我还从月份名称中删除了准确的拼写,因为您可能想要接受“sept”以及“sep”和“september”
分解模式也提高了可读性:)。
最后一个提示:限制您需要回溯的可能字符的数量,通过限制像\s+ 这样的东西,您很少希望匹配 20,000 个空格,但如果它们在您的源文档中,它会尝试匹配它们。\s{1,20} 通常就足够了,它限制了引擎尝试在实际上没有匹配的情况下进行匹配的能力。
关于c# - 在字符串中查找日期,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9871475/