Question

我有一个re.sub程序，用于替换text_string中逗号之间的某些值：

re.sub('(?:(?<=\,)|(?<=^))[^\w\d\r\n\t]*(HUN)[^\w\d\r\n\t]*(?=(?:\,|$))','',text_string,flags=re.IGNORECASE)

用任何内容替换HUN。

我在很多文件上试试这个。有时文件很大，有时文件很小。偶尔，我会从MemoryError库中获得re.py。拆分此执行的最佳方法是什么，以便我不会得到MemoryError？

我担心正则表达式首先查看ENTIRE字符串（例如if text_string是t,w,g,g,hun,t,w），然后在逗号之间查看，而不是仅仅查看逗号（即一种非贪婪的方式）。有谁知道这实际上是如何评估的？

如果字符串超长，那么正则表达式是否知道以非贪婪的方式在逗号之间进行评估？谢谢。

Answer 1

你的模式真的很奇怪。

(?:(?<=\,)|(?<=^)) - 这可以变成一个常规的非捕获组(?:,|^)
[^\w\d] - 由于\w已匹配\d，\d是多余的
[^\w\r\n\t]* - 匹配标点符号（！），因此匹配,。这使得正则表达式引擎难以分析在 hun之前具有许多以逗号分隔的值的字符串。

(?=(?:,|$)) - 如果您计划匹配重叠的字符串，前瞻是有意义的，否则，您可以将其替换为(?:,|$)。

我建议：

r"(?i)(?:,|^)[^\w\r\n\t]*(HUN)[^\w\r\n\t]*(?=(?:,|$))"

请参阅regex demo

Python demo：

import re s = ",WWWWWW,hun,hun,WWWWW," print re.sub(r"(?i)((?:,|^)[^\w\r\n\t]*)HUN([^\w\r\n\t]*)(?=(?:,|$))", r"\1\2", s) # => ,WWWWWW,,,WWWWW,

Answer 2

如果没有正则表达式，你可以更快地完成这项工作：

s = 't,w,g,g,hun,t,w'
res = ','.join(['' if x.lower()=='hun' else x for x in s.split(',')])

即使我把它展望未来并且看后面的要求，正则表达式总是贪婪吗？

2 个答案: