在字符串中查找日期

Question

我正在寻找C#中的快速方法来查找字符串中的所有日期(字符串是一个大文本,我要扫描大约200,000个不同的字符串).

由于有很多方法可以写日期(例如2012年12月31日或2012年12月31日等等),我正在使用这个正则表达式(应该涵盖几乎所有常用的写日期方式):

string findDates ="(？:(\d {1,4}) - /.- /.)|(?:(\\\\\\\\\\\\\\\\\ 1}\{0,1} | 2月.(？:ruary){0,1}\{0,1} |三月(:CH 2){0,1}\{0,1} |的apr(. ？:IL){0,1}\{0,1} | \可能{0,1} |君(:.E){0,1}\{0,1} |七月(？:？ÿ ){0,1}\{0,1} |八月(:UST){0,1}\{0,1} |九月(？:？tember){0,1}\{0,1 } |十月(？:奥伯){0,1}\{0,1} |十一月(？:烬){0,1}\{0,1} | 12月(？:烬){0,1 }\{0,1})\ S +(\ d {2,4}))|(:(一月(:uary){0,1}\{0,1} | 2月(？:？？ruary ){0,1}\{0,1} | 3月(:CH){0,1}\{0,1} |四月(？:？IL){0,1}\{0,1 } |可以\ {0,1} |六月:{0,1}\{0,1} |七月(E').(？:Y){0,1}\{0,1} |八月(:UST？){0,1}\{0,1} |九月(？:tember){0,1}\{0,1} |十月(？:奥伯){0,1} \. {0,1} |十一月(？:余烬){0,1}\{0,1} |分解(？:余烬).{0,1}\{0,1})\ S +([O- 9] {1,2})[\ S,] +(\ d {2,4}))";

使用"RegexOptions.Compiled | RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace"标记.此外,我试图预编译正则表达式,使其更快.

问题是它非常慢(在一些文本上超过2秒)是否有更好和有效的方法来做到这一点？

谢谢

Answer 1

该表达式总体上看起来不错，正如其他人提到的那样，它可能有点冗长，所有的{0,1}other of?和 the (?:other of applications RegexOptions.ExplicitCapture。但这些不应该让表达变慢。它们只会带来更好的可读性。

可能导致速度缓慢的原因是，通过将扩展的月份和 . 选修的。我想知道如果您将表达式更改为仅应用可选 会发生什么。一次，在月份名称之后，如果将月份名称设为贪婪组（(?>pattern)非回溯（或“贪婪”）子表达式）会发生什么。

以便：

 (jan(?:uary){0,1}\.{0,1}|feb(?:ruary){0,1}\.{0,1}|mar(?:ch){0,1}\.{0,1}|apr(?:il){0,1}\.{0,1}|may\.{0,1}|jun(?:e){0,1}\.{0,1}|jul(?:y){0,1}\.{0,1}|aug(?:ust){0,1}\.{0,1}|sep(?:tember){0,1}\.{0,1}|oct(?:ober){0,1}\.{0,1}|nov(?:ember){0,1}\.{0,1}|dec(?:ember){0,1}\.{0,1})\s+(\d{2,4}))

会成为：

 (?>jan(uary)?|feb(ruary)?|mar(ch)?|apr(il)?|may|june?|july?|aug(ust)?|sep(tember)?|oct(ober)?|nov(ember)?|dec(ember)?)\.?\s+(\d{2,4}))

它不仅更短，而且我希望它更快。

然后是开头的表达式部分，这对我来说并没有真正意义。(?:(\d{1,4})- /.- /.)要么在格式中丢失了某些内容，要么这没有一点帮助。

\d{1,4} 对于一年或任何其他日期部分有意义，但其后- /.- /.根本没有意义。我想你的意思是这样的：

 \d{1,4}[- /.]\d{1,2}[- /.]\d{1,2}

或者那个地区的东西。就目前情况而言，它会捕获垃圾，可能不会加快匹配过程。

最后，我同意 Aliostad 的观点，您可能最好尝试找到不太精确的模式来查找初始候选者，然后使用 DateTime.TryParseExact 或使用一组附加表达式来缩小结果范围。

您可以使用大量精确表达式，而不是创建“全局”表达式来查找候选者。您会发现，使用 Regex，在大输入上运行多个精确表达式通常比运行一个包含大量 | 和 ? 的表达式要便宜。

因此，将搜索分解为多个非常精确的表达式可能会带来更高的性能，这些可能是一个开始：

 \b\d{1,2}[- .\\/]\d{1,2}[- .\\/](\d{2}|\d{4})\b
 \b((jan|feb|mar|apr|jun|jul|aug|sep|oct|nov|dec)(.|[a-z]{0,10})|\d{1,2})[- .\\/,]\d{1,2}[- .\\/,](\d{2}|\d{4})\b

正如您所看到的，所有可选组都已从这些表达式中删除，从而使它们的运行速度更快。我还删除了月份名称中的确切拼写，因为您可能想要接受“sept”、“sep”和“september”

打破模式还可以提高可读性:)。

最后一个提示：限制您需要回溯的可能字符数量，通过对 \s+ 等内容进行限制，您很少需要 20,000 个空格来匹配，但如果它们在您的源文档中，它会尝试匹配它们。\s{1,20} 通常就足够了，并且限制了引擎尝试获得实际上不存在的匹配的能力。