社区首页 >专栏 >Python 字符串子串定位性能比较

Python 字符串子串定位性能比较

原创

邵靖

修改于 2017-09-29 06:48:26

4.1K00

代码可运行

文章被收录于专栏：邵靖的专栏邵靖的专栏

运行总次数：0

代码可运行

项目最近遇到一个需求：

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；
每一行各字段按照如下方式排布，首先是n个metafield字段，紧接着是最多4个keyfield字段，然后是m个valuefield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
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：

遍历每个文件的每一行；
然后截取出keyfield字段集合；
然后对其进行重复判断；
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：

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；
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
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lambda、map、filter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filter与lambda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 lambda、map、filter 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))