Question

我试图从10-k声明中提取每个公司的消费者数据。

我的具体目标句是

（例如）＆＃34;消费者A，消费者B占销售额的~~~ ~~~~~。＆＃34;

然而，这句话有很多变种

要考虑所有这些变体，需要考虑一些要点

1。例如，帐户可以是帐户\帐户\会计\代表\代表\代表\代表（此外，如果代表出现，则目标句子中应该没有＆＃34;对于＃34;）

和销售可以是销售\收入\收入

因为，公司名称有时在该目标句子之前/之后出现1或2个句子。我想在同一时间之前/之后提取目标句子+ 2个句子。但是，一些公司名称包含＆＃34;。＆＃34;，如＆＃34;丰田公司，＆＃34;和＃34;美国国防部＆＃34; 。因此，如果我尝试在这个目标句子之前提取2个句子（＆＃34;丰田公司，占销售额的~~~~~~~~＆＃34;），基于＆＃34;的数量。＆＃34;在目标句子之前，这只在目标句子之前提取一个句子。

所以，考虑到这两点我做了正则表达式，

[.][^.]*[.][^.]*[.][^.]*[A-Z\.|\.\,]*[^.]*(account|accounted|accounts|accounting|represents|representing|represent|represented)(\sfor)?.{0,100}(sale|revenue)[^.]*\.?[^.]*\.',
re.I|re.S

但是，这个正则表达式运行得很慢......

你能帮我理解如何改进这个正则表达式吗？

非常感谢！

Answer 1

问题在于你的正则表达式在开始时过于笼统，而在结束时过于具体。正则表达式引擎可以将几乎所有与正则表达式的前几个符号相匹配，因此在获得匹配之前，它会尝试数千个字符串组合，这是由于更严格的结束条件。

注意：您没有给我任何示例文本，所以我尽了最大努力。

这个表达式要简单得多，但工作“足够好”。通过允许一些限制，运行时将得到很多改进。

(\s\S+){1,5}\s(account|represent)[\s\S]{5,100}?(sale|revenue)s?

Try it online!

例如，只要单词“account”或“represent”存在，它就不关心后缀是什么。如果有人输入“representenedsing”，那么它会选择它，但我们可以假设这样的事情不会发生。

此外，这个正则表达式并不试图找到之前的句子或任何复杂的句子。它只需要在“account”或“represent”之前的5个单词，并使用它们。当然，您可以轻松更改此值。

说明：

这包含5个包含任何字符的单词，由任意空格/换行符分隔。

(\s\S+){1,5}\s

“帐户”一词或代表“。

(account|represent)

至少5个，但最多100个任何类型的字符。 ?使其成为“LAZY”，因此一旦达到下一个条件（“销售”或“收入”），它就会停止。

[\s\S]{5,100}?

“销售”或“收入”一词，最后带有可选的“s”。

(sale|revenue)s?

Python：寻找更有效的正则表达式

1 个答案: