如何高效识别字符串中多格式时间戳？替代re.findall多分支写法

嘿，这个问题我熟！其实你可以用更简洁高效的正则表达式来替代一堆|的分支写法——分支太多会让正则引擎做很多回溯工作，效率不高，而我们可以抓住这些时间戳的共性来优化。

核心思路 #

你列出的所有时间戳格式可以分成两类：

1. 带小时的格式：H:MM:SS、HH:MM:SS → 结构是「1-2位小时 + 2位分钟 + 2位秒」
2. 不带小时的格式：M:SS、MM:SS、MMM:SS → 结构是「1-3位分钟 + 2位秒」

两类格式的共性是最后都是两位秒（可选带小数部分），只是前缀不同。我们可以用非捕获组把两种前缀合并，用单一模式覆盖所有情况，同时加入边界断言避免误匹配。

优化后的正则表达式 #

import re

# 定义高效的时间戳匹配正则
timestamp_pattern = r'(?<!\d)(?:\d{1,2}:\d{2}:|\d{1,3}:)\d{2}(?:\.\d+)?(?!\d)'

正则各部分解析

• (?<!\d)：负向回顾后发断言，确保时间戳前面不是数字，避免误匹配长数字串的一部分（比如1234:56里的234:56）
• (?:\d{1,2}:\d{2}:|\d{1,3}:)：非捕获组，匹配两种前缀：
  • \d{1,2}:\d{2}:：对应带小时的格式（1-2位小时 + 2位分钟 + 冒号）
  • \d{1,3}:：对应不带小时的格式（1-3位分钟 + 冒号）
• \d{2}：匹配两位秒
• (?:\.\d+)?：可选的小数部分，支持秒后面的毫秒（比如.447），非捕获组避免额外内存开销
• (?!\d)：负向展望断言，确保时间戳后面不是数字，进一步提升匹配准确性

测试示例 #

用你的示例字符串测试一下：

# 测试字符串
aString = "the cat (01:03) sat on [01:01:01] the ( 9:13 )mat( 1:10:11)."
bString = "the cat 01:14:23.447 sat on the mat"
cString = "the cat 01:14:23.447 --> 01:17:10.239 sat on the mat"
dString = "the cat 323:14 sat..."

# 提取所有时间戳
print(re.findall(timestamp_pattern, aString))
# 输出: ['01:03', '01:01:01', '9:13', '1:10:11']
print(re.findall(timestamp_pattern, bString))
# 输出: ['01:14:23.447']
print(re.findall(timestamp_pattern, cString))
# 输出: ['01:14:23.447', '01:17:10.239']
print(re.findall(timestamp_pattern, dString))
# 输出: ['323:14']

为什么更高效？ #

1. 减少分支回溯：原来用|可能需要写5个分支，现在只需要合并为两种前缀的分支，正则引擎不需要反复尝试不同模式，降低了回溯开销
2. 非捕获组优化：避免了不必要的分组捕获，让re.findall()直接返回完整的时间戳字符串，不需要额外处理分组结果
3. 边界断言提升准确性：避免误匹配非时间戳的数字组合，减少无效匹配的次数

内容的提问来源于stack exchange，提问作者Rolf of Saxony