Question

首先，我将解释我的程序试图解决的问题。我有两个输入文件，一个包含＆＃34; good＆＃34;数：

另一个文件是＆＃34; raw＆＃34;我希望检查每一行的数字，看看该行是否包含其中一个＆＃34; good＆＃34;上面的数字后跟4个数字，另外4个数字可以是任何数字。所以如果包含原始数字的文件是：

8881000001234
1000014321
999991000021234567
00234100001
1000041234
100002123
1000029876

用正则表达式擦除后，匹配的数字将是

到目前为止，我这样做的方法是存储好的＆＃34;数组中的数字然后啜饮了＃34; raw＆＃34;数字变成标量

my $FH
my@good_nums
open $FH, '<', 'good_numbers' or die $!;
while(<$FH>) { chomp; push @good_nums, $_; }
close $FH;

open $FH, '<', 'raw_numbers' or die $!;
my $raw_nums = do { local $/; <$FH> };
close $FH;

然后我可以这样做：

my @matches;
foreach my $num (@good_nums) {
    push @matches, $raw_nums =~ /$num\d{4}/g;
}

所以@matches包含正确的匹配，这一直运作良好。

但是现在我已经开发出了捕捉＆＃34; raw＆＃34;数字不匹配。我可以通过放置＆＃34; raw＆＃34;来捕获不匹配的行。将数字放入一个数组（而不是啜饮它们）并将join数组@good_nums放入一个正则表达式中：

my $QRnums = '(?:' . (join '|', @good_nums) . ')';
$QRnums = qr/$QRnums/;

my @raw_nums;
open my $FH, '<', 'raw_numbers' or die $!;
while(<$FH>) { chomp; push @raw_nums, $_; }

my @matches;
my @junk;
for (@raw_nums) {   
    if ($_ =~ /($QRnums\d{4})/g) {
        push @matches, $1;
    } else {
        push @junk, $_;
    }
}

这是有效的，但是当我将每个文件中的行数增加到150,000或更多时，后一种解决方案比前一种解决方案长4或5倍。我知道必须有另一个可以有效解决我的问题的Perl解决方案，但我不知所措。我对中间Perl及其他方面都不是很好..有没有更好的方法来做这个或者我的第一个解决方案可以重写，以便我也可以获得数组中的非匹配？除了需要解决我的帖子开头解释的问题，我对任何事情持开放态度。

Answer 1

仅缓存正则表达式一次，然后使用$_ =~ $QRnums进行比较。

此外，无需篡改您的其他文件，只需逐行处理。

my $QRnums = '(?:' . (join '|', @good_nums) . ')';
$QRnums = qr/($QRnums\d{4})/;

my @matches;
my @junk;

open my $FH, '<', 'raw_numbers' or die $!;
while (<$FH>) {
    chomp;
    if ($_ =~ $QRnums) {
        push @matches, $1;
    } else {
        push @junk, $_;
    }
}

此外，如果您的正则表达式应该绑定到字符串^的开头，那么我建议您添加：$QRnums = qr/^($QRnums\d{4})/;

<强>附录

来自perlop - Regexp Quote-Like Operators

由于Perl可以在执行qr()运算符时编译模式，因此在某些情况下使用qr()可能具有速度优势，特别是如果qr()的结果是独立使用的话：

以后：

在qr()时刻将模式预编译为内部表示，避免了每次尝试匹配/$pat/时都需要重新编译模式。（Perl有许多其他内部优化，但如果我们不使用qr()运算符，则不会在上面的例子中触发。）

基本上，因为你的@good_nums列表可能非常大，所以如果我们可以这样，那么只需要编译一次正则表达式测试就可以缓存它。

Perl，有效地使用正则表达式擦除文件的问题

1 个答案: