python - 正则表达式匹配很慢

Question

我正在尝试解析 PDF 以从中提取文本(请不要建议任何图书馆这样做，因为这是学习格式的一部分)。
我已经处理过将其缩小以将其放入字母数字格式。我现在需要从文本 block 中提取文本。
所以，我当前的模式是 BT.*?\((.*?)\).*?ET(设置了 DOTMATCHALL)以匹配类似以下内容:

BT
   /F13 12 Tf
   288 720 Td
   (ABC) Tj
ET

我唯一想要的是括号中的文本 ABC。
上面只是为了让大家看得清楚才格式化的。在缩小的文本中，它可能全部在一行中，也可能不是。不能保证 BT/ET 位于一行的开头。括号部分之前/之后可能有空格和文本，也可能没有。但是，每个 BT/ET block 只有一个括号内的部分。

上述模式有效，但速度很慢，我认为这是因为正则表达式库多次无法匹配匹配 BT 和 (ABC) 之间文本的模式。
正则表达式是预编译的，试图加快它的速度，但它似乎可以忽略不计。

我怎样才能加快速度？

Answer 1

文档中可能出现多少这样的 block ？

Regex 执行缓慢通常是灾难性回溯的结果，如下所述:http://www.regular-expressions.info/catastrophic.html

我不知道您使用的是哪种正则表达式技术，但您可以尝试使用环视断言，如下所述: http://www.regular-expressions.info/lookaround.html

这些允许您首先匹配您想要的内容，ABC 在括号内，然后验证它前面是否有某个值，后面是否有其他值。