在Python中执行多个连续的正则表达式替换。效率低下？

首先，我的代码是有效的。它只是运行缓慢，我想知道我是否遗漏了一些可以提高效率的东西。我正在用python解析PDF（是的，我知道如果可能的话应该避免这种情况）

我的问题是我必须做几个相当复杂的正则表达式替换——当我说替换时，我的意思是删除。我已经做了一些先去掉大部分数据的运算，这样下一个表达式就不需要分析太多的文本，但这就是我所能想到的加速运算的方法

我对python和正则表达式还很陌生，所以很有可能会做得更好

谢谢你的阅读

    regexPagePattern = r"(Wk)\d{1,2}.\d{2}(\d\.\d{1,2})"
    regexCleanPattern = r"(\(continued\))?((II)\d\.\d{1,2}|\d\.\d{1,2}(II)|\d\.\d{1,2})"
    regexStartPattern = r".*(II)(\s)?(INDEX OF CHARTS AFFECTED)"
    regexEndPattern = r"(II.)\d{1,5}\((P|T)\).*"
    contentRaw = re.sub(regexStartPattern,"",contentRaw)
    contentRaw = re.sub(regexEndPattern,"",contentRaw)
    contentRaw = re.sub(regexPagePattern,"",contentRaw)
    contentRaw = re.sub(regexCleanPattern,"",contentRaw)

---

我不确定你是否在一个循环中做这个。如果不是，则以下内容不适用

如果您多次使用一个模式，您应该使用

re.compile（…）

来编译它。这样，模式只编译一次。速度的增加应该是巨大的。最简单的例子：

>>> a="a b c d e f"
>>> re.sub(' ', '-', a)
'a-b-c-d-e-f'
>>> p=re.compile(' ')
>>> re.sub(p, '-', a)
'a-b-c-d-e-f'

另一个想法：使用而不是

re.sub

，并使用生成的数据片段对数组进行操作。我不完全确定它是如何实现的，但我认为

re.sub

会创建文本片段，并最终将它们合并到一个字符串中，这非常昂贵。完成最后一步后，您可以使用

“”加入数组。加入（片段）

。显然，如果您的模式在某个地方重叠，这种方法将不起作用

---

在更改前后获取程序的计时信息会很有趣。

在尝试解码字符串时，正则表达式始终是最后的选择。因此，如果你看到了解决问题的另一种可能性，就利用它

也就是说，您可以使用re.compile预编译您的正则表达式模式：

regexPagePattern = re.compile(r"(Wk)\d{1,2}.\d{2}(\d\.\d{1,2})")
regexPagePattern.sub("",contentRaw)

---

这应该会使事情加快一点（相当不错的一点）。

我觉得这些正则表达式不是很复杂。更大的问题是，

contentRaw

有多大？也许没有，但我花了一段时间才想到。：）contentRaw'通常约为150kb（或125000个字符）。没错：解码字符串时的第一选择应该是

decode

函数：1m23s新处理时间1m24s旧处理时间，因此我们没有节省大量时间，但我们的编码更好。有趣的是，第一次regex运行

r.*（II）（\s）？（受影响图表的索引）

大约需要1m15，而随后的运行几乎是瞬间完成的。在OP的示例代码中，re每个只使用一次，因此添加编译可能不是太大的胜利。re模块在内部缓存编译后的表达式，所以我不确定在任何情况下都会有巨大的速度提升。问题是您是否可以/想要依赖Python库的实现细节，以及您使用该模式的频率。