python - 为什么在 Python 中捕获组时正则表达式搜索速度较慢？

Question

我有一个动态生成正则表达式的应用程序代码 从配置中进行一些解析。 当对两个变体的性能进行计时时，正则表达式变体 捕获 OR 正则表达式的每个部分明显慢于 一个正常的正则表达式。 原因是正则表达式模块内部某些操作的开销。

>>> import timeit
>>> setup = '''
... import re
... '''   

#no capture group 
>>> print(timeit.timeit("re.search(r'hello|bye|ola|cheers','some say hello,some say bye, or ola or cheers!')", setup=setup))
0.922958850861

#with capture group
>>> print(timeit.timeit("re.search(r'(hello)|(bye)|(ola)|(cheers)','some say hello,some say bye, or ola or cheers!')", setup=setup))
1.44321084023

#no capture group
>>> print(timeit.timeit("re.search(r'hello|bye|ola|cheers','some say hello,some say bye, or ola or cheers!')", setup=setup))
0.913202047348

# capture group
>>> print(timeit.timeit("re.search(r'(hello)|(bye)|(ola)|(cheers)','some say hello,some say bye, or ola or cheers!')", setup=setup))
1.41544604301

问题:是什么导致使用捕获组时性能显着下降？

Answer 1

原因很简单，使用捕获组表示引擎将内容保存在内存中，而使用非捕获组表示引擎不保存任何内容。考虑一下您是在告诉引擎执行更多操作。

例如，使用这个正则表达式 (hello|bye|ola|cheers) 或 (hello)|(bye)|(ola)|(cheers) 会影响远高于使用原子组或像 (?:hello|bye|ola|cheers) 这样的非捕获组。

使用正则表达式时，您知道是否要捕获或不捕获上述情况的内容。如果您想捕获其中任何一个词，您将失去性能，但如果您不需要捕获内容，那么您可以通过改进它来节省性能，例如使用非捕获组

我知道您标记了 python，但已经为 javascript 准备了一个在线基准测试，以显示捕获和非捕获组对 js 正则表达式引擎的影响。

https://jsperf.com/capturing-groups-vs-non-capturing-groups