# 18.3.?優化正則表達式 Soundex 函數的第一件事是檢查輸入是否是一個空字符串。怎樣做是最好的方法？ 如果你回答 “正則表達式”，坐在角落里反省你糟糕的直覺。正則表達式幾乎永遠不是最好的答案，而且應該被盡可能避開。這不僅僅是基于性能考慮，而是因為調試和維護都很困難，當然性能也是個原因。 這是 `soundex/stage1/soundex1a.py` 檢查 `source` 是否全部由字母構成的一段代碼，至少是一個字母 (而不是空字符串)： ``` allChars = string.uppercase + string.lowercase if not re.search('^[%s]+$' % allChars, source): return "0000" ``` `soundex1a.py` 表現如何？為了方便，`__main__` 部分包含了一段代碼：調用 `timeit` 模塊，為三個不同名字分別建立測試，依次測試，并顯示每個測試的最短耗時： ``` if __name__ == '__main__': from timeit import Timer names = ('Woo', 'Pilgrim', 'Flingjingwaller') for name in names: statement = "soundex('%s')" % name t = Timer(statement, "from __main__ import soundex") print name.ljust(15), soundex(name), min(t.repeat()) ``` 那么，應用正則表達式的 `soundex1a.py` 表現如何呢？ ``` C:\samples\soundex\stage1>python soundex1a.py Woo W000 19.3356647283 Pilgrim P426 24.0772053431 Flingjingwaller F452 35.0463220884 ``` 正如你預料，名字越長，算法耗時就越長。有幾個工作可以令我們減小這個差距 (使函數對于長輸入花費較短的相對時間) 但是算法的本質決定它不可能每次運行時間都相同。 另一點應銘記于心的是，我們測試的是有代表性的名字樣本。`Woo` 是個被縮短到單字符并補零的小樣本；`Pilgrim` 是個夾帶著特別字符和忽略字符的平均長度的正常樣本；`Flingjingwaller` 是一個包含連續重復字符并且特別長的樣本。其它的測試可能同樣有幫助，但它們已經很好地代表了不同的樣本范圍。 那么那個正則表達式如何呢？嗯，缺乏效率。因為這個表達式測試不止一個范圍的字符 (`A-Z` 的大寫范圍和 `a-z` 的小寫字母范圍)，我們可以使用一個正則表達式的縮寫語法。這便是 `soundex/stage1/soundex1b.py`: ``` if not re.search('^[A-Za-z]+$', source): return "0000" ``` `timeit` 顯示 `soundex1b.py` 比 `soundex1a.py` 稍微快一些，但是沒什么令人激動的變化： ``` C:\samples\soundex\stage1>python soundex1b.py Woo W000 17.1361133887 Pilgrim P426 21.8201693232 Flingjingwaller F452 32.7262294509 ``` 在 [第?15.3?節 “重構”](../refactoring/refactoring.html "15.3.?重構") 中我們看到正則表達式可以被編譯并在重用時以更快速度獲得結果。因為這個正則表達式在函數中每次被調用時都不變化，我們可以編譯它一次并使用被編譯的版本。這便是 `soundex/stage1/soundex1c.py`： ``` isOnlyChars = re.compile('^[A-Za-z]+$').search def soundex(source): if not isOnlyChars(source): return "0000" ``` `soundex1c.py` 中使用被編譯的正則表達式產生了顯著的提速： ``` C:\samples\soundex\stage1>python soundex1c.py Woo W000 14.5348347346 Pilgrim P426 19.2784703084 Flingjingwaller F452 30.0893873383 ``` 但是這樣的優化是正路嗎？這里的邏輯很簡單：輸入 `source` 應該是非空，并且需要完全由字母構成。如果編寫一個循環查看每個字符并且拋棄正則表達式，是否會更快些？ 這便是 `soundex/stage1/soundex1d.py`： ``` if not source: return "0000" for c in source: if not ('A' <= c <= 'Z') and not ('a' <= c <= 'z'): return "0000" ``` 這個技術在 `soundex1d.py` 中恰好_不及_ 編譯后的正則表達式快 (盡管比使用未編譯的正則表達式快\[14\])： ``` C:\samples\soundex\stage1>python soundex1d.py Woo W000 15.4065058548 Pilgrim P426 22.2753567842 Flingjingwaller F452 37.5845122774 ``` 為什么 `soundex1d.py` 沒能更快？答案來自 Python 的編譯本質。正則表達式引擎以 C 語言編寫，被編譯后則能本能地在你的計算機上運行。另一方面，循環是以 Python 編寫，要通過 Python 解釋器。盡管循環相對簡單，但沒能簡單到補償花在代碼解釋上的時間。正則表達式永遠不是正確答案……但例外還是存在的。 恰巧 Python 提供了一個晦澀的字符串方法。你有理由不了解它，因為本書未曾提到它。這個方法便是 `isalpha()`，它檢查一個字符串是否只包含字母。 這便是 `soundex/stage1/soundex1e.py`： ``` if (not source) and (not source.isalpha()): return "0000" ``` 在 `soundex1e.py` 中應用這個特殊方法我們能得到多少好處? 很多。 ``` C:\samples\soundex\stage1>python soundex1e.py Woo W000 13.5069504644 Pilgrim P426 18.2199394057 Flingjingwaller F452 28.9975225902 ``` ## 例?18.3.?目前為止最好的結果：`soundex/stage1/soundex1e.py` ``` import string, re charToSoundex = {"A": "9", "B": "1", "C": "2", "D": "3", "E": "9", "F": "1", "G": "2", "H": "9", "I": "9", "J": "2", "K": "2", "L": "4", "M": "5", "N": "5", "O": "9", "P": "1", "Q": "2", "R": "6", "S": "2", "T": "3", "U": "9", "V": "1", "W": "9", "X": "2", "Y": "9", "Z": "2"} def soundex(source): if (not source) and (not source.isalpha()): return "0000" source = source[0].upper() + source[1:] digits = source[0] for s in source[1:]: s = s.upper() digits += charToSoundex[s] digits2 = digits[0] for d in digits[1:]: if digits2[-1] != d: digits2 += d digits3 = re.sub('9', '', digits2) while len(digits3) < 4: digits3 += "0" return digits3[:4] if __name__ == '__main__': from timeit import Timer names = ('Woo', 'Pilgrim', 'Flingjingwaller') for name in names: statement = "soundex('%s')" % name t = Timer(statement, "from __main__ import soundex") print name.ljust(15), soundex(name), min(t.repeat()) ``` ## Footnotes \[14\] 注意 `soundex1d.py` 在后兩個測試點上都比 `soundex1b.py` 慢，這點與作者所說的矛盾。本章另還有多處出現了正文與測試結果矛盾的地方，每個地方都會用譯注加以說明。這個 bug 將在下個版本中得到修正。――譯注