初探Python正则表达式

正则表达式的基本使用规则相信大家都已经有所了解，如果你是新手，可以移步正则表达式30分钟入门教程，这个教程非常详细，并且深入浅出。

这里要讲的有两个问题，也是我在开发过程中花了些时间才解决的：

(1)re.findall(pattern,string,flag=0)函数，flag参数的意义

(2)当处理的数据量非常大时，如何提高执行效率

第一个问题是在分析爬取的网页时，习惯用re.findall(pattern,string)，导致总有内容匹配不到，后来了解了flag参数默认为0，导致`.`不能匹配换行符。这个其实只要查看一下api中对flag参数的定义即可明白。

flag参数对应的模式

在编写程序时，应多关注库函数的api，弄懂每一个参数的意义就能高效码代码了。这里的需求是让`.`能匹配`\n`，所以函数调用应该为re.findall(pattern,string,re.S)

第二个问题就比较蛋疼了，因为这种问题并不是一个很常见的问题，虽然网络上也有人问这个，但几乎没有回答。我的需求是在近20w行数据里识别出类似下面的结构体:

没错，这就是github的commit日志格式，题主需要从这些日志中分析出一些信息，具体到在每个结构体中分析。

所以这里的正则并不是很难写，题主先写成这样:

regx = `(commit ([0-9a-f]{40})\nAuthor:.*?Date:.*?\n\n)commit`最后一个\n\ncommit字段是用来标识该结构体的结束以及新结构体的开始，取之前的数据即为一个完整结构。然后对每个结构进行处理和匹配。

题主测试了一下当数据量只有1w左右时，几乎一秒不到就可以处理完，然而超过了这个限度，则大有几十分钟也跑步出结果的样子。

查了下原因，以及regex optimization

`.*`is too permissive and can cause a catastrophic backtracking and regex is very expensive

所以，在处理大量数据的时候应该要少用`.*`、`.+`等greedy模式的匹配，尽量用一些字段明确的方式来找，所以使用了如下的方式:

regex = `commit ([0-9a-f]{40})\nAuthor`来匹配标识每个数据集合，并通过引入index脚标的方式来剥离区分每一个数据集合。核心的算法如下：

核心算法

主要是通过数据块的id的index来完成数据集合的剥离与区分，正则表达式部分基本没有用到其它贪婪模式的匹配，效果立竿见影，分分钟出结果2333～