在Python中缓存已编译的正则表达式对象？

Posted 2021-03-29

每次导入包含大量静态正则表达式的python文件时，都会花费cpu周期将字符串编译到内存中的代表状态机中。

a = re.compile("a.*b")
b = re.compile("c.*d")
...

问题：是否可以以预编译的方式将这些正则表达式存储在磁盘上的缓存中，以避免在每次导入时执行正则表达式编译？

腌制对象只需执行以下操作，无论如何都会导致编译：

>>> import pickle
>>> import re
>>> x = re.compile(".*")
>>> pickle.dumps(x)
"cre
_compile
p0
(S'.*'
p1
I0
tp2
Rp3
."

并且re对象是不可编组的：

>>> import marshal
>>> import re
>>> x = re.compile(".*")
>>> marshal.dumps(x)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: unmarshallable object

答案

是否可以以预编译的方式将这些正则表达式存储在磁盘上的缓存中，以避免在每次导入时执行正则表达式编译？

不容易。您必须编写一个自定义序列化程序，它挂钩到Python正则表达式引擎的C sre实现中。所需的时间和精力将大大超过任何性能优势。

首先，你有没有真正描述过代码？我怀疑编译正则表达式是应用程序运行时的重要部分。请记住，它们仅在第一次在当前执行中导入模块时进行编译 - 此后，模块及其属性将缓存在内存中。

如果你有一个基本上产生一次的程序，编译一堆正则表达式然后退出，你可以尝试重新设计它以在一次调用中执行多个测试。然后你可以重新使用正则表达式，如上所述。

最后，您可以将正则表达式编译为基于C的状态机，然后将它们与扩展模块链接。虽然这可能更难维护，但它将完全从您的应用程序中消除正则表达式编译。

另一答案

请注意，无论您导入多少次，每个模块在应用程序的生命周期内仅初始化一次。因此，如果您在模块的全局范围（即不在函数中）编译表达式，那么您应该没问题。

另一答案

首先，这是python re模块中的明显限制。它会限制正则表达式的合理程度和大小。对于长时间运行的进程，限制更大，对于命令行应用程序等短期进程，限制更小。

几年前我确实看过它，有可能挖掘出编译结果，腌制它然后取消它并重新使用它。问题是它需要使用sre.py内部，因此不可能在不同的python版本中工作。

我希望在我的工具箱中有这种功能。我还想知道，如果有任何单独的模块可以使用。

另一答案

shelve模块似乎工作得很好：

import re
import shelve
a_pattern = "a.*b"
b_pattern = "c.*d"
a = re.compile(a_pattern)
b = re.compile(b_pattern)

x = shelve.open('re_cache')
x[a_pattern] = a
x[b_pattern] = b
x.close()

# ...
x = shelve.open('re_cache')
a = x[a_pattern]
b = x[b_pattern]
x.close()

然后，您可以创建一个很好的包装器类，自动为您处理缓存，使其对用户变得透明......这是一个留给读者的练习。

另一答案

打开/usr/lib/python2.5/re.py并查找“def _compile”。你会发现re.py的内部缓存机制。

另一答案

可以将每个正则表达式（或正则表达式组）放入单独的文件中，然后使用imp模块动态导入所需的文件。我怀疑它的扩展性很好，但它可能是你需要的。

另一答案

哼，

不搁置使用泡菜？

无论如何，我同意以前的故事。由于模块只处理一次，我怀疑编译regexps将是你的app瓶颈。并且Python re模块很快就被编写了，因为它是用C编写的:-)

但好消息是Python有一个很好的社区，所以我相信你可以找到一个正在黑客攻击的人。

我用Google搜索了5秒，发现：http://home.gna.org/oomadness/en/cerealizer/index.html。

不知道它是否会这样做但如果没有，祝你好运研究:-)