如何简化nvidia-smi输出提取正则，高效获取各GPU全部对应指标

卡顿原因说明 #

你原有正则出现卡顿的核心原因是嵌套的分组+非贪婪匹配触发了正则回溯爆炸，匹配失败时会尝试大量无效路径，计算开销陡增。

方案1：优化后正则表达式 #

使用命名捕获组直接匹配所有需要的字段，避免无效回溯：

import re

gpu_pattern = re.compile(
    r'\|={30,}\+={20,}\+={20,}\|\n'
    r'\|\s*(?P<gpu_index>\d+)\s+(?P<gpu_model_name>.*?)\s+(?P<persistence_mode>\w+)\s*\|\s*(?P<bus_id>[0-9A-Fa-f:.]+)\s+(?P<display_active>\w+)\s*\|\s*(?P<volatile_ecc>.*?)\s*\|\n'
    r'\|\s*(?P<fan>\d+)%\s+(?P<temperature>\d+)C\s+(?P<perf>P\d+)\s+(?P<power_usage>\d+)W\s*/\s*(?P<max_power>\d+)W\s*\|\s*(?P<memory_usage>\d+)MiB\s*/\s*(?P<available_mem>\d+)MiB\s*\|\s*(?P<gpu_utilization>\d+)%\s+(?P<compute_mode>.*?)\s*\|\n'
    r'\|\s*.*?\|\s*.*?\|\s*(?P<multiple_instance_gpu_mode>.*?)\s*\|\n'
)

# 使用方法
gpu_list = [match.groupdict() for match in gpu_pattern.finditer(your_text)]

该正则直接匹配每个GPU对应的4行块结构，明确的字段格式限定大幅降低了回溯概率，处理速度远高于原有正则。

方案2：无正则逐行解析（更稳定，适合超大文本） #

完全避免正则开销，逐行拆分解析，兼容性更强：

def parse_nvidia_smi(text):
    lines = text.splitlines()
    gpu_list = []
    idx = 0
    # 定位到GPU块起始分隔线
    while idx < len(lines):
        if '===============================+======================+======================' in lines[idx]:
            break
        idx += 1
    # 循环解析所有GPU块
    while idx < len(lines):
        line = lines[idx]
        # 跳过块结束分隔线
        if '+-------------------------------+----------------------+----------------------+' in line:
            idx += 1
            continue
        # 匹配到新GPU块的起始分隔线
        if '===============================+======================+======================' in line:
            idx += 1
            # 读取该GPU对应的3行数据
            l1_col = [c.strip() for c in lines[idx].strip('| ').split('|')]
            l2_col = [c.strip() for c in lines[idx+1].strip('| ').split('|')]
            l3_col = [c.strip() for c in lines[idx+2].strip('| ').split('|')]
            idx += 3
            
            # 解析对应列字段
            l1_part1 = l1_col[0].split()
            l2_part1 = l2_col[0].split()
            l1_part2 = l1_col[1].split()
            l2_part2 = l2_col[1].split()
            l2_part3 = l2_col[2].split()
            
            gpu_list.append({
                "gpu_index": int(l1_part1[0]),
                "gpu_model_name": " ".join(l1_part1[1:-1]),
                "persistence_mode": l1_part1[-1],
                "bus_id": l1_part2[0],
                "display_active": l1_part2[1],
                "volatile_ecc": l1_col[2],
                "fan": int(l2_part1[0].strip("%")),
                "temperature": int(l2_part1[1].strip("C")),
                "perf": l2_part1[2],
                "power_usage": int(l2_part1[3].strip("W")),
                "max_power": int(l2_part1[5].strip("W")),
                "memory_usage": int(l2_part2[0].strip("MiB")),
                "available_mem": int(l2_part2[2].strip("MiB")),
                "gpu_utilization": int(l2_part3[0].strip("%")),
                "compute_mode": " ".join(l2_part3[1:]),
                "multiple_instance_gpu_mode": l3_col[2]
            })
            continue
        idx += 1
    return gpu_list

该方案完全没有正则回溯风险，处理GB级文本也不会出现卡顿，且对nvidia-smi输出格式的小幅度变动兼容性更好。

内容的提问来源于stack exchange，提问作者elegantcomplexity