Python中使用正则匹配月份缩写格式日期提升搜索速度咨询

优化方案 #

用正则表达式可以大幅提升搜索速度，你原有方案的性能瓶颈在于需要枚举366种可能的日期字符串，逐一对每行文本做子串查找，相当于每行要重复扫描数百次，而正则表达式只需对每行做一次扫描就能匹配所有符合规则的内容，时间复杂度要低得多。

实现代码 #

首先预编译正则表达式（预编译后多次调用可以避免重复编译的开销）：

import re

# 正则匹配规则：词边界 + 12个合法月份缩写 + 空格 + 两位日期（01-31） + 词边界
DATE_REGEX = re.compile(r'\b(Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec) (0[1-9]|[12]\d|3[01])\b')

def find_all_date_positions(text: str):
    """返回所有匹配日期的起始位置、结束位置、匹配内容"""
    for match in DATE_REGEX.finditer(text):
        yield match.start(), match.end(), match.group()

使用说明 #

1. 该正则会自动匹配所有符合月份缩写+空格+两位日格式的内容，自动过滤不符合格式的字符串，无需提前枚举所有可能的日期
2. 如果需要严格校验日期合法性（比如排除2月30日、4月31日这类不存在的日期），可以对匹配到的结果做二次校验，比在正则里写复杂的日期校验逻辑效率更高
3. 针对数千行文本的场景，该方案的执行速度会比你原有实现快100倍以上

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