Python 字符串分割时 spilt 和 re 效率对比

假设 有一些文件名是 数字_文档名 的格式，如何用python将数字提取出来？

可以使用 Python 的正则表达式模块 re 提取文件名中的数字部分。以下是实现代码：

示例代码：

import re

# 示例文件名列表
file_names = ["1_file1.txt", "2_file2.txt", "10_document.doc", "random_file.txt"]

# 提取文件名中的数字
numbers = [re.match(r"(\d+)_", file).group(1) for file in file_names if re.match(r"(\d+)_", file)]

# 输出结果
print(numbers)

输出结果：

['1', '2', '10']

代码解析：

1. re.match(r"(\d+)_", file):

   • 使用正则表达式 (\d+)_ 匹配文件名开头的数字部分，(\d+) 表示提取一段连续的数字，后面跟着 _。
   • 例如，对于 1_file1.txt，匹配结果是 1_，提取到的数字为 1。

2. .group(1):

   • 提取匹配的第一个捕获组 (\d+) 中的数字。

3. if re.match(r"(\d+)_", file):

   • 过滤掉不符合 数字_文档名 格式的文件名，例如 random_file.txt。

4. 列表推导式:

   • 将提取的数字存储到一个新列表中。

示例扩展：

如果需要提取所有符合格式的文件的完整信息（包括文件名和数字），可以用以下方式：

files_with_numbers = [
    {"file": file, "number": re.match(r"(\d+)_", file).group(1)}
    for file in file_names
    if re.match(r"(\d+)_", file)
]

print(files_with_numbers)

输出：

[{'file': '1_file1.txt', 'number': '1'},
 {'file': '2_file2.txt', 'number': '2'},
 {'file': '10_document.doc', 'number': '10'}]

这样可以同时保留文件名和提取出的数字信息。

当然可以用 split 方法提取文件名中的数字部分，以下是使用 split 的方法：

示例代码：

# 示例文件名列表
file_names = ["1_file1.txt", "2_file2.txt", "10_document.doc", "random_file.txt"]

# 提取文件名中的数字部分
numbers = [file.split('_')[0] for file in file_names if '_' in file and file.split('_')[0].isdigit()]

# 输出结果
print(numbers)

输出结果：

['1', '2', '10']

代码解析：

1. file.split('_')[0]:

   • 使用 _ 分割文件名，并提取分割后的第一个部分（假设为数字部分）。
   • 例如，对于 1_file1.txt，分割结果是 ['1', 'file1.txt']，提取的数字部分是 1。

2. if '_' in file:

   • 确保文件名包含 _，防止分割错误。

3. file.split('_')[0].isdigit():

   • 检查分割后的第一部分是否是数字，以避免提取非数字部分。

示例扩展：

如果需要保留文件名和数字部分的信息，可以这样写：

files_with_numbers = [
    {"file": file, "number": file.split('_')[0]}
    for file in file_names
    if '_' in file and file.split('_')[0].isdigit()
]

print(files_with_numbers)

输出：

[{'file': '1_file1.txt', 'number': '1'},
 {'file': '2_file2.txt', 'number': '2'},
 {'file': '10_document.doc', 'number': '10'}]

这样可以同时提取出数字和完整文件名信息，逻辑更直观。

两种方法的效率主要取决于以下因素：

1. split 方法:

   • 本质上是字符串的简单分割操作，直接基于分隔符 _ 将字符串拆分，时间复杂度接近 ( O(n) )（每次对字符串遍历）。
   • 性能非常高，对于较大的文件列表处理速度会非常快。

2. re 正则表达式方法:

   • 正则表达式匹配包含了模式解析和匹配过程，涉及到模式编译和查找，其开销通常比字符串分割操作略大。
   • 对于简单的任务（如提取前缀数字），正则的效率略低于 split 方法。

实验对比

以下代码可以对两种方法的效率进行对比：

import time
import re

# 测试数据
file_names = ["1_file1.txt", "2_file2.txt", "10_document.doc", "random_file.txt"] * 10000

# 方法1：split方法
start_time = time.time()
numbers_split = [file.split('_')[0] for file in file_names if '_' in file and file.split('_')[0].isdigit()]
split_time = time.time() - start_time

# 方法2：正则表达式方法
start_time = time.time()
numbers_re = [re.match(r"(\d+)_", file).group(1) for file in file_names if re.match(r"(\d+)_", file)]
re_time = time.time() - start_time

# 输出耗时
print(f"Split方法耗时: {split_time:.6f} 秒")
print(f"正则表达式方法耗时: {re_time:.6f} 秒")

实验结果（示例）：

假设处理 40,000 条数据：

Split方法耗时: 0.018秒
正则表达式方法耗时: 0.048秒

结论：

• split 方法更高效，尤其是在处理大量数据时，字符串操作的开销更低。
• 如果任务足够简单（例如提取 _ 前的数字部分），建议优先使用 split 方法。
• 如果需要更复杂的匹配（例如提取多种格式），正则表达式的灵活性更强，但牺牲了性能。

因此，如果目标仅仅是提取 _ 前的数字，优先选择 split 方法。