Python，加速正则表达式提取子字符串

Question

我有以下文字

text = "This is a string with C1234567 and CM123456, CM123, F1234567 and also M1234, M123456"

我想提取这个子字符串列表

['C1234567', 'CM123456', 'F1234567']

这就是我的想法

new_string = re.compile(r'\b(C[M0-9]\d{6}|[FM]\d{7})\b')
new_string.findall(text)

但是，我想知道是否有办法更快地完成此操作，因为我有兴趣执行数万次此操作。

我以为我可以使用 ^ 来匹配字符串的开头，但是我想出了正则表达式

new_string = re.compile(r'\b(^C[M0-9]\d{6}|^[FM]\d{7})\b')

不再返回任何内容。我知道这是一个非常基本的问题，但我不确定如何正确使用 ^。

Answer 1

好消息和坏消息。坏消息是，正则表达式看起来相当不错，但很难改进。好消息，我有一些想法:)如果您正在寻找性能，我会尝试做一些跳出框框的思考。我使用 Python 进行提取、转换、加载工作。

• 您已经在进行重新编译(有很大帮助)
• 正则表达式引擎是从左到右的，所以尽可能短路。似乎不适用于此处
• 如果您有大量数据需要多次循环，请先清除其中您知道不匹配的数据。考虑一个 HTML 页面，您只需要 HEAD 中的内容来获取 HEAD，并且需要在该部分上运行许多正则表达式的循环。提取该部分，只做该部分，而不是整个页面。看起来很明显，但并不总是:)
• 使用一些指标，尝试一下 cProfile。也许您正在调整的地方有一些逻辑可以加快速度。至少你可以找到你的瓶颈，也许正则表达式根本不是问题。