Question

我有一个非常大的文件，看起来像这样（见下文）。我有两个正则表达式的基本选择（我知道可能还有其他人，但我真的想比较Greedy和Negated Char Class）方法。

ftp: [^\D]{1,}
ftp: (\d)+
ftp: \d+

注意：如果我在\ d？

附近取下parense怎么办？

现在+贪婪迫使回溯，但Negated Char Class需要逐个字符比较。哪个更有效率？假设文件非常大，因此由于文件的长度，处理器使用的微小差异会被夸大。

既然你已经回答了这个问题，如果我的否定字母类很大，说18个不同的字符怎么办？这会改变你的答案吗？

感谢。

ftp：1117字节
      ftp：5696字节
  ftp：3207字节
    ftp：5696字节
  ftp：7200字节

Answer 1

[^ \ D] {1，}和\ d +完全相同。正则表达式解析器将[^ \ D]和\ d编译为具有相同内容的字符类，而+只是{1，}的缩写。

如果你想懒人重复你可以添加？最后。

\d+?

字符类通常编译为ASCII字符的位图。对于Unicode（＆gt; = 256），它取决于实现。一种方法是创建范围列表，并在其上使用二进制搜索。

对于ASCII，查找时间在大小上是恒定的。对于Unicode，它是对数或线性的。

Answer 2

你的表情都有同样的贪婪。正如其他人在这里所说的，除了捕获组之外，它们将以相同的方式执行。

同样在这种情况下，贪婪在执行速度上并不重要，因为你在\ d *之后没有任何东西。在这种情况下，表达式将简单地处理它可以找到的所有数字，并在遇到空格时停止。这些表达式不会发生回溯。

为了使其更明确，如果您有这样的表达式，则应该进行回溯：

\d*123

在这种情况下，解析器将吞没所有数字，然后回溯以匹配后面的三个数字。

Answer 3

我的初步测试显示[^ \ D {1，}比\ d +慢一点，在184M文件上，前者需要9.6秒而后者需要8.2秒

没有捕获（（）的两者都快了大约1秒，但两者之间的差异大致相同。

我还做了一个更广泛的测试，其中捕获的值打印到/ dev / null，第三个版本在空间上分割，结果：

([^\D]{1,}): ~18s
(\d+): ~17s
(split / /)[1]: ~17s

编辑：分割版本改进，时间减少到相同或低于（\ d +）

到目前为止最快的版本（任何人都可以改进吗？）：

while (<>)
{
    if ($foo = (split / /)[1])
    {
        print $foo . "\n";
    }
}

Answer 4

这是写的一个技巧问题，因为（\ d）+由于捕获括号的开销而需要稍长的时间。如果将其更改为\ d +，则在perl / system中花费相同的时间。

Answer 5

是的，我同意MizardX ......这两个表达式在语义上是等价的。虽然分组可能需要额外的资源。那不是你要问的。

Answer 6

不是问题的直接答案，但为什么不完全采用不同的方法，因为你已经知道线的格式了？例如，您可以在字段之间的空白处使用正则表达式，或者完全避免使用正则表达式和空白上的split（），这通常会比任何正则表达式更快，具体取决于您使用的语言。