c# - 在字符串中查找日期

Question

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

Answer 1

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。