Question

嘿我遇到了一个问题，我的程序停止在57802记录中迭代文件由于某些原因我无法弄清楚。我放了一个心跳部分，所以我可以看到它在哪条线上并且它有所帮助，但现在我被困在为什么它停在这里。我认为这是一个内存问题，但我只是在我的6GB内存计算机上运行它仍然停止。

有没有更好的方法来做我在下面做的任何事情？我的目标是阅读文件（如果你需要我发送给你我可以15MB文本日志）根据正则表达式找到匹配项并打印匹配的行。还有更多，但就我而言。我正在使用python 2.6

任何想法都会有所帮助，也可以编写评论！我是一个蟒蛇诺布，我还在学习。

import sys, os, os.path, operator
import re, time, fileinput

infile = os.path.join("C:\\","Python26","Scripts","stdout.log")

start = time.clock()

filename  = open(infile,"r")

match = re.compile(r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}),\d{3} +\w+ +\[([\w.]+)\] ((\w+).?)+:\d+ - (\w+)_SEARCH:(.+)')

count = 0
heartbeat = 0
for line in filename:
    heartbeat = heartbeat + 1
    print heartbeat
    lookup = match.search(line)
    if lookup:
        count = count + 1
        print line
end = time.clock()
elapsed = end-start
print "Finished processing at:",elapsed,"secs. Count of records =",count,"."

filename.close()

这是第57802行，它失败了：

2010-08-06 08:15:15,390 DEBUG [ah_admin] com.thg.struts2.SecurityInterceptor.intercept:46 - Action not SecurityAware; skipping privilege check.

这是匹配的行：

2010-08-06 09:27:29,545 INFO  [patrick.phelan] com.thg.sam.actions.marketmaterial.MarketMaterialAction.result:223 - MARKET_MATERIAL_SEARCH:{"_appInfo":{"_appId":21,"_companyDivisionId":42,"_environment":"PRODUCTION"},"_description":"symlin","_createdBy":"","_fieldType":"GEO","_geoIds":["Illinois"],"_brandIds":[2883],"_archived":"ACTIVE","_expired":"UNEXPIRED","_customized":"CUSTOMIZED","_webVisible":"VISIBLE_ONLY"}

样本数据只是前5行：

2010-08-06 00:00:00,035 DEBUG [] com.thg.sam.jobs.PlanFormularyLoadJob.executeInternal:67 - Entered into PlanFormularyLoadJob: executeInternal
2010-08-06 00:00:00,039 DEBUG [] com.thg.ftpComponent.service.JScapeFtpService.open:153 - Opening FTP connection to sdrive/hibbert@tccfp01.hibbertnet.com:21
2010-08-06 00:00:00,040 DEBUG [] com.thg.sam.email.EmailUtils.sendEmail:206 - org.apache.commons.mail.MultiPartEmail@446e79
2010-08-06 00:00:00,045 DEBUG [] com.thg.sam.services.OrderService.getOrdersWithStatus:121 - Orders list size=13
2010-08-06 00:00:00,045 DEBUG [] com.thg.ftpComponent.service.JScapeFtpService.open:153 - Opening FTP connection to sdrive/hibbert@tccfp01.hibbertnet.com:21

Answer 1

给您带来麻烦的输入线是什么样的？我试着打印出来。我怀疑你的CPU在运行时是挂钩的。

嵌套的正则表达式与您一样，如果它们不能很快匹配，可能会有VERY性能不佳。

((\w+).?)+:

想象一个字符串，其中没有：但是相当长。你将最终进入一个回溯的世界，因为正则表达式试图在\ w和\ n之间分隔单词字符的各种方法组合。然后尝试以各种可能的方式对它们进行分组。如果你可以在你的模式中更具体，它将带来丰厚的回报。

Answer 2

你的问题绝对是@paulrubel指出的部分：

((\w+).?)+:\d+

现在你已经添加了样本数据，很明显.应该与文字点匹配，这意味着你应该对其进行转义（\.）。此外，你不需要内部括号集，外部集应该是非捕获的，但它是杀死你的基本结构;在放弃之前必须尝试的字符和点的排列太多。在尝试使用正则表达式的部分之前，其他所有行都会失败，这就是为什么你没有任何问题。

当我在RegexBuddy中尝试时，你的正则表达式在186步中匹配好线，并且在1,000,000步之后放弃尝试57802行。当我逃离点时，好的线只需要90步才能匹配，但它仍然在57802线上超时。但现在我知道正则表达式的一部分只能匹配单词字符和点。一旦它消耗了所有这些，下一位必须匹配:\d+;如果没有，我知道尝试其他安排是没有意义的。我可以使用原子组告诉它不要打扰：

(?>(?:\w+\.?)+):\d+

通过该更改，好的行匹配83个步骤，而行57802只需66个步骤来报告失败。但是使用原子组并不总是可行的，所以你应该尝试使你的正则表达式符合它匹配的文本的实际结构。在这种情况下，您将匹配看起来像Java类名称的内容（一些单词字符，后跟零个或多个（一个点和一些单词字符）的实例），后跟冒号和行号：

\w+(?:\.\w+)*:\d+

当我将其插入正则表达式时，它会在80个步骤中匹配好行，并在67个步骤中拒绝行57802 - 甚至不需要原子组。

Answer 3

你编译了你的正则表达式但从未使用它？

lookup = re.search(match,line)

应该是

lookup = match.search(line)

您应该使用os.path.join()

infile = os.path.join("C:\\","Python26","Scripts","stdout.log")

更新

您的正则表达式可以更简单。只需检查日期时间戳。否则，根本不要使用正则表达式。说你的日期和时间从行的开头

开始

for line in open("stdout.log"):
    s = line.split()
    D,T=s[0],s[1]
    # use the time module and strptime to check valid date/time
    # or you can split "-" on D and T and do manual check using > or < and math

Answer 4

你的模式包含固定的字符串SEARCH_和一堆复杂的表达式（包括捕获），这些表达式确实会破坏正则表达式引擎..但你不会对捕获的文本做任何事情，所以你只想知道'是它匹配吗？'

在每一行上搜索固定模式可能更简单快捷。

if '_SEARCH:' in line:
    print line
    count += 1

Answer 5

尝试使用pdb。如果您在停止之前不久将pdb.set_trace()置于心跳中，您可以查看它停止的特定行，并查看每行代码对该行的影响。

编辑：pdb使用的一个例子：

import pdb
for i in range(50):
    print i
    if i == 12:
        pdb.set_trace()

运行该脚本，您将获得以下内容：

0
1
2
3
4
5
6
7
8
9
10
11
12
> <stdin>(1)<module>()
(Pdb)

现在，您可以从i = 12的上下文中评估Python表达式。

(Pdb) print i
12

使用它，但在增加心跳后将pdb.set_trace()放在循环中，如果heartbeat == 57802。然后，您可以使用p line打印一行，使用p match.search(line)进行正则表达式搜索的结果等。

Answer 6

无论如何，它可能是一个记忆问题。对于大文件，最好使用fileinput模块，而不是像这样：

import fileinput
for line in fileinput.input([infile]):
    lookup = re.search(match, line)
     # etc.

为什么我的代码会停止？

6 个答案: