天使爱美丽

“TA还未设置签名”

笔记

Python学习之字符串子串定位性能详解

已有 158 次阅读2017-10-10 08:12 |系统分类:HTML/CSS |


本文和大家分享的主要是python中字符串子串定位性能相关内容,一起来看看吧,希望对大家学习python有所帮助。

  项目最近遇到一个需求:

  1. 给定一组文本文件,每个文本包含若干行,每一行是一条数据记录;

  2. 每一行各字段按照如下方式排布,首先是nmetafield字段,紧接着是最多4keyfield字段,然后是mvaluefield字段,每个字段用"|"分隔,key从哪个字段开始以及key有几个字段已知

  metafield_1|metafield_2|...|metafield_n|keyfield_1|...|keyfield_4|valuefield_1|valuefield_2|....|valuefield_m

  3.任务是对这组文件按keyfields_string除重

  除开业务细节,这个任务本质是:

  1. 遍历每个文件的每一行;

  2. 然后截取出keyfield字段集合;

  3. 然后对其进行重复判断;

  4. 最后按照判断结果决定本行是否插入新文件中。

  Python很适合完成这种文本处理任务,字符串重复判断这种任务可以使用dict来完成,本文中不做深入探讨。本文想探讨的是在给定了key字段在字段列表中开始下标和key字段个数后,如何在整行字符串中定位到key字符串的起始位置。简而言之,就是确定keyfield_1前一个和keyfield_p后一个“|”字符的位置。

  解决这个问题,我想到了三种思路:

  1. 将整个字符串用"|"分割(split),并根据key字段的下标计算首尾两个"|"的位置;

  2. 使用(index/find)函数,通过设置搜索起始位置,按顺序逐个查找"|"字符的位置,直到找到目标“|”位置

  3. 先通过正则表达式或字符串遍历的方式查找出所有"|"的位置生成list,然后根据key字段下标找到目标“|”位置

  有同学会说方法1既然每个字段都已经分割开了,将其按照顺序组合就能得到keyfields_string,为何还要查找“|”字符的位置,我想说在这里只是比较在 字符串中查找子串 的各种方法。

  针对以上三个思路,我一共有七种实现,后面会对比其效率:

  字符串分割思路

  Split

  def get_pos_split(line, key_start):

  pos = 0

  tmp_line_list = line.split('|')

  for i in xrange(key_start):

  if i >= len(tmp_line_list):

  return len(line)

  pos += len(tmp_line_list[i]) + 1

  return pos

  逐个查找子串位置思路

  这个思路我写了三种方法,分别用 index/find来实现,需要注意的是,index函数在未找到子串的情况下会抛出ValueError错误,需要用try except处理,而find在找不到子串的情况下返回-1,两者效率基本一致。并且在查找下一个子串的方式上有少许不同,一种是当找到当前子串位置后,记录下该位置,然后下一次从本次找到的位置+1开始查找,另一种是每找到一个子串,就去掉前缀部分,然后下一次在剩下的字符串中查找。

  Find

  #使用find查找,记录查找位置,下一次从本次找到的位置+1开始查找def get_pos_find(line, key_start):

  if key_start == 0:

  return 0

  pos = line.find('|')

  while pos >= 0 and key_start > 1:

  pos = line.find('|', pos+1)

  key_start -= 1

  return len(line) if pos == -1 else pos+1

  Index

  #使用index查找,记录查找位置,下一次从本次找到的位置+1开始查找def get_pos_index(line, key_start):

  pos = 0

  for i in xrange(key_start):

  try:

  pos = line.index('|', pos+1)

  except ValueError,e:

  return len(line)

  return 0 if pos == 0 else pos+1

  Index Cut

  #使用index查找,每次找到第一个子串后,就去掉前缀部分,拷贝后缀部分,后续不断在后缀部分查找def get_pos_index_2(line, key_start):

  tmp_line = line

  pos = 0

  for i in xrange(key_start):

  try:

  pos += tmp_line.index('|')+1

  tmp_line = tmp_line[tmp_line.index('|')+1:]

  except ValueError, e:

  return len(line)

  return pos

  定位所有子串思路

  针对这个思路,分别使用正则表达式模块,列表推导式以及lambdamapfilter组合方式实现。

  . 正则表达式 re.finditer 方法会返回字符串中所有子串位置的迭代器

  . 列表推倒式将遍历整个字符串并输出子串位置的列表

  . 组合复杂函数的方法,首先用map扫描字符串中所有匹配子串的位置,不匹配的输出-1,再通过filterlambda函数结合的方式在刚才的结果中过滤掉-1元素

  Regex

  #通过正则表达式re模块查找匹配所有子串位置def get_pos_re(line, key_start):

  pos_idx = [p.start() for p in re.finditer('\\|', line)]

  return 0 if key_start == 0 else (pos_idx[key_start-1]+1 if key_start <= len(pos_idx) else len(line))

  LC

  #通过列表推导式(list comprehensions)实现def get_pos_lc(line, key_start):

  pos_idx = [i for i, x in enumerate(line) if x == '|']

  return 0 if key_start == 0 else (pos_idx[key_start-1]+1 if key_start <= len(pos_idx) else len(line))

  Filter

  #通过 lambdamapfilter 组合实现def get_pos_filter(line, key_start):

  def func_in(t):

  return t[0] if t[1] == '|' else -1

  pos_idx = filter(lambda x: x!=-1, map(func_in, enumerate(line)))

  return 0 if key_start == 0 else (pos_idx[key_start-1]+1 if key_start <= len(pos_idx) else len(line))

  测试对比

首先,测试在相同单条记录,不同的记录条数条件下,各种方法的耗时,结果如上图所示。

然后,测试在记录条数一定,不同记录长度条件下,各种方法耗时,结果如上图所示。

第三,测试在相同单条记录,相同记录条数情况下取不同位置的字段各种方法耗时,结果如上图所示。

  结论

  通过测试对比可以看到, 字符串分割  逐个查找子串位置 的思路在总体上都比 定位所有子串位置的思路效率更高。

  逐个查找子串位置 思路中通过findindex定位子串位置的效率最高,拆分子串的方式次之。影响性能的因素是单条记录长度以及所需要查找的字段位置。

  字符串分割 ,影响性能的因素是单条记录长度以及所需要查找的字段位置。

  定位所有子串 因为要定位到每个字段的位置,相当于扫描全数据,所以效率最低。在这个思路的三种方法中,正则表达式的实现效率最高,其他两种效率都很差。

 

来源:极客头条


标签: 举报

收藏 0人收藏
给个赞0人点赞
评论
0 /300