在python中获取第一个管道和第二个管道之间的数据
这是我的样本数据在python中获取第一个管道和第二个管道之间的数据,python,regex,Python,Regex,这是我的样本数据 78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193 我想得到结果 Indonesia 目前我正在对字符串使用split并访问该值。但是我想用正则表达式 需要注意的一些条件: 数据可能是空的 数据将不包含管道(|) 我想使用regex而不是split,因为我认为regex更有效。我希望它尽可能高效的原因是源文件是70gb 编辑: 这是我将使用的全部代码 def main(argv): mylist =
78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193
我想得到结果
Indonesia
目前我正在对字符串使用split并访问该值。但是我想用正则表达式
需要注意的一些条件:
数据可能是空的
数据将不包含管道(|)
我想使用regex而不是split,因为我认为regex更有效。我希望它尽可能高效的原因是源文件是70gb
编辑:
这是我将使用的全部代码
def main(argv):
mylist = set();
input_file = open("test.txt", 'r')
for row in input_file:
rowsplit = row.split("|");
if rowsplit[1] !='':
if rowsplit[1] in mylist:
filename= "bby_"+rowsplit[1]+".dat";
existingFile=open(filename,'a')
existingFile.write(row);
existingFile.close()
else:
mylist.add(rowsplit[1])
filename= "bby_"+rowsplit[1]+".dat";
newFile = open(filename,'a')
newFile.write(row);
newFile.close();
else:
print "Empty"
print mylist
我只是对我现在应该使用的答案感到困惑:(
我只想让这段代码快一点。就这样。我想你可以在以下网址找到答案:
Joschua(回答上述链接问题的用户)进行了测试,使用正则表达式效率更高。这一个相当简单:如果您知道第一个子句始终是一个数字(或空),您可以锚定到前面
^\d*\|(\w+?)?\|
这将匹配行前面的0个或多个数字,后跟一个literal
字符,后跟子句1,该子句将包含一个非贪婪匹配字(不带空格),如果不存在,则不包含任何内容,后跟literal
字符
性能正则表达式很快就会失败,而非贪婪匹配和锚定是至关重要的。使用这个正则表达式就可以抓住第一个单词
re.search(r'^[^a-zA-Z]*([a-zA-Z]+)', S).group(1)
这将为您提供介于第一管道和第二管道之间的信息:
re.search(r'(?<=\|)[^|]*',s).group()
re.search(r'(?拆分和检查长度可能仍然比正则表达式快:
for line in f:
spl = line.split("|",2)
if len(spl) > 2:
print(spl[1])
....
匹配行和非匹配行上的某些计时:
In [24]: s = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"
In [25]: %%timeit
spl = s.split("|",2)
if len(spl) > 2:
pass
....:
1000000 loops, best of 3: 413 ns per loop
In [26]: r = re.compile(r'(?<=\|)[^|]*')
In [27]: timeit r.search(s)
1000000 loops, best of 3: 452 ns per loop
In [28]: s = "78 Indonesia Pamela Reid preid25@gravatar.com 147.3.67.193"
In [29]: timeit r.search(s)
1000000 loops, best of 3: 1.66 µs per loop
In [30]: %%timeit
spl = s.split("|",2)
if len(spl) > 2:
pass
....:
1000000 loops, best of 3: 342 ns per loop
由于每条管线中的管道数量始终相同:
def main(argv):
seen = set() # only use if you actually need a set of all names
with open("test.txt", 'r') as infile:
r = csv.reader(infile, delimiter="|")
for row in r:
v = row[1]
if v:
filename = "bby_" + v + ".dat"
existingFile = open(filename, 'a')
existingFile.write(row)
existingFile.close()
seen.add(v)
else:
print "Empty"
如果在附加到文件时/else看起来是多余的,那么如果出于其他原因想保留一组行[1],每次都可以添加到该集合中,除非您确实想要一组我将从代码中删除的所有名称
将相同的逻辑应用于拆分:
def main(argv):
seen = set()
with open("test.txt", 'r') as infile:
_spl = str.split
for row in infile:
v = _spl(row,"|",2)[1]
if v:
filename = "bby_" + v + ".dat"
existingFile = open(filename, 'a')
existingFile.write(row)
existingFile.close()
seen.add(v)
else:
print "Empty"
会导致大量开销的是不断地打开和写入,但除非您能够将所有行存储在内存中,否则没有简单的方法可以绕过它
就阅读而言,在一个1000万行的文件上,仅仅拆分两倍的内容就比csv阅读器要好:
In [15]: with open("in.txt") as f:
....: print(sum(1 for _ in f))
....:
10000000
In [16]: paste
def main(argv):
with open(argv, 'r') as infile:
for row in infile:
v = row.split("|", 2)[1]
if v:
pass
## -- End pasted text --
In [17]: paste
def main_r(argv):
with open(argv, 'r') as infile:
r = csv.reader(infile, delimiter="|")
for row in r:
if row[1]:
pass
## -- End pasted text --
In [18]: timeit main("in.txt")
1 loops, best of 3: 3.85 s per loop
In [19]: timeit main_r("in.txt")
1 loops, best of 3: 6.62 s per loop
如果始终存在相同数量的管道,则可以使用正则表达式:
[^|]+(?=(?:\|[^|]+\|?){4}$)
以下是Python 3.4.3上有意义答案的性能:
In [4]: timeit.timeit('s.split("|", 2)[1]', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"')
Out[4]: 0.43930888699833304
In [10]: timeit.timeit('re.search(r"^[^a-zA-Z]*([a-zA-Z]+)", s).group(1)', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"; import re')
Out[10]: 1.234878903022036
In [16]: timeit.timeit('re.search("^\d*\|(\w+?)?\|", s).group(1)', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"; import re')
Out[16]: 1.8305770770530216
如果没有管道:
In [24]: timeit.timeit('s.split("|", 2)[1] if "|" in s else None', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"')
Out[24]: 0.494665392965544
In [25]: timeit.timeit('s.split("|", 2)[1] if "|" in s else None', 's = ""')
Out[25]: 0.04492994397878647
你可以一行一行地解析它,然后根据知识无所谓如果有一个管道,是否总是会有多个管道,或者管道会出现在任何地方?@padraiccningham我不明白你在说什么,我的意思是,有管道字符的行看起来总是像你的输入示例一样,regex非常灵活,但这种灵活性来了要付出代价。正如Yaroslav Admin的回答所示,使用正则表达式执行此任务比使用str.split
方法慢得多。OP说子句可能是空的,所以您可能希望d*
对于第一部分您是绝对正确的。我假设OP只指第二个子句可能是空的。修复了。这还考虑了第一个元素。打印第一组。如果没有管道怎么办?@AvinashRaj:那么数据文件被破坏了,因此如果程序引发异常是可以接受的。根据OP,他们只需要从第二列提取数据,因此可以合理地假设总是会有(至少)两列。@AvinashRaj请参阅添加的部分。输入中始终有管道。只有数据可以为空。@ViChU:Yaroslav的代码在管道存在的情况下可以正常工作,但第二列为空:它只返回一个空字符串。@ViChU,管道的数量始终相同吗?这将是最佳方法中的一个重要因素是肯定的。。相同数量的管道。然后只需检查就可以拆分。如果v
将是最快的方法,您知道第二列中可能出现的国家/地区吗?如果是这样,我们可能可以将io速度提高很多bit@ViChU,没有人能在第一时间就把它做好;)保留列表或行的目的是什么[1]的
?唯一的问题是将
与一起使用,这是python2.4上应该使用的所有其他工具条
In [4]: timeit.timeit('s.split("|", 2)[1]', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"')
Out[4]: 0.43930888699833304
In [10]: timeit.timeit('re.search(r"^[^a-zA-Z]*([a-zA-Z]+)", s).group(1)', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"; import re')
Out[10]: 1.234878903022036
In [16]: timeit.timeit('re.search("^\d*\|(\w+?)?\|", s).group(1)', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"; import re')
Out[16]: 1.8305770770530216
In [24]: timeit.timeit('s.split("|", 2)[1] if "|" in s else None', 's = "78|Indonesia|Pamela|Reid|preid25@gravatar.com|147.3.67.193"')
Out[24]: 0.494665392965544
In [25]: timeit.timeit('s.split("|", 2)[1] if "|" in s else None', 's = ""')
Out[25]: 0.04492994397878647