在 re.search 中重用已编译的正则表达式

Question

我偶然发现了以下代码：

import re 

regex_compiled = re.compile('\d{2}-\d{3,5}')

res = re.search(regex_compiled, '12-9876')

我的印象是 re.search 试图编译已经编译的第一个参数，所以它应该出错，或者 regex_compiled.__repr__() 或 regex_compiled.__str__() 应该在重复尝试之前被调用编译它！

只是为了确定我将它与 regex_compiled.search(...:

进行了比较

>>> from timeit import timeit
>>> timeit("import re; regex_compiled = re.compile('\d{2}-\d{3,5}');     res = re.search(regex_compiled, '12-9876')")
1.3797054840251803

>>> timeit("import re; regex_compiled = re.compile('\d{2}-\d{3,5}');     res = regex_compiled.search('12-9876')")
0.7649686150252819
>>>

鉴于调试 re.search（在 CPython v.2 和 v.3 中）表明 compiled[=29= 】图案被重用！我希望有人可以帮助阐明这一点。

执行环境：Ubuntu16.04,64b

Answer 1

re._compile 首先检查参数是否被缓存，然后检查它是否已经被编译。因此，当您将已编译的模式传递给 re.whatever 时，它会浪费一些时间来计算和查找实际上永远不会匹配的缓存键。重复模式和 OrderedDict 查找是繁重的操作，似乎可以解释您观察到的差异。

这种行为的一个可能原因是 _compile 针对字符串模式进行了优化，这是它的主要用例，并且旨在 return 尽快命中缓存。

以下是一些时间安排：

from time import time
import re
import sys

print(sys.version)

pat = '\d{2}-\d{3,5}'
loops = 1000000

re.purge()

t = time()
for _ in range(loops):
    re._compile(pat, 0)
print('compile string  ', time() - t)

re.purge()

rc = re._compile(pat, 0)
t = time()
for _ in range(loops):
    re._compile(rc, 0)
print('compile compiled', time() - t)

结果：

$ python3 test.py
3.5.2 (default, Nov 23 2017, 16:37:01) [GCC 5.4.0 20160609]
compile string   0.5387749671936035
compile compiled 0.7378756999969482

$ python2 test.py
2.7.12 (default, Nov 20 2017, 18:23:56) [GCC 5.4.0 20160609]
('compile string  ', 0.5074479579925537)
('compile compiled', 1.3561439514160156)

在 re.search 中重用已编译的正则表达式

Reusing compiled regex in re.search

python

regex

python-2.7

python-3.5