- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在开发一款需要从文本中提取关键信息的应用。问题是文本来自 OCRed 文档,因此可能存在 OCR 识别错误、噪音、垃圾字符等。此外,文档上的文本可能有上百万种不同的格式,具体取决于来源。
因此,我们使用大量正则表达式来提取文本。我们注意到,在大容量情况下,这会重击服务器上的 CPU。我试过预编译正则表达式并缓存它们,但没有任何改进。 Profiler 显示 65% 的运行时间是由于调用 Regex.Match()。
阅读正则表达式,我发现灾难性回溯是一个性能问题。
假设我有一个这样的表达式(这是一个简单的表达式,只是为了说明我们的正则表达式的一般格式——其他表达式可以包含更多的关键字和格式):
(.*) KEYWORD1 AND (.* KEYWORD2)
当我逐步使用 Regex Coach 时,我发现它进行了大量回溯以匹配字符串。
这种正则表达式能否在概念上得到改进?我们只针对整个文档的一个子集(较小的文本 block )运行,但提取文本 block 的预处理本质上也不完美。
所以,是的,几乎任何东西都可以出现在“KEYWORD1”之前,任何东西都可以出现在“KEYWORD2”前面,等等。
我们不能限制为 A-Z 而不是 .*,因为在 OCR 世界中,字母有时会被误认为数字(即 Illene = I11ene),或者由于 OCR 识别错误,我们可能会在其中得到乱码。
最佳答案
是的,这些类型很容易优化。
您可以通过将正则表达式替换为预期代码来优化它们。也就是说,两次子串搜索。如果 "KEYWORD1 AND "
的位置小于 "KEYWORD2"
的位置,那么你就有了匹配项。
要获得额外的速度,您可以使用优化的子字符串搜索,但这几乎肯定是不需要的。只需删除正则表达式即可大幅提升速度。
[编辑]好的,所以有 400 个。其中一些稍微复杂一些。模式保持不变:可以有效定位的大量子串几乎没有变化。如果您知道 "PART OF"
出现在您的输入中,则检查 "PART OF"
是否出现可以在大约一纳秒内完成。如果 PARTF OF_ _doesn't_ 发生,则根本不需要检查
AS PART OF` 是否发生。
现在 400 个正则表达式并不多。如果您有 40.000,自动检查公共(public)子字符串是值得的。目前,您可能只是依次运行每个正则表达式,尝试匹配其他 399 个正则表达式 strings 以获得第一次切割。 .*PART OF.*
将匹配 ".*AS PART OF.*"
。
出于同样的原因,您也不需要其他优化。有 40.000 个要匹配的正则表达式,我会计算每个字母对的频率。 IE。输入 FOO AS PART OF BAR
有字母对 FO, OO, PA, AR (twice), RT, OF, BA
。这不能与 .*FOR EXAMPLE.*
匹配,因为缺少字母对 EX
。对的
关于c# - 这些类型的正则表达式可以优化吗?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44334555/
我正在尝试编写一个相当多态的库。我遇到了一种更容易表现出来却很难说出来的情况。它看起来有点像这样: {-# LANGUAGE ScopedTypeVariables #-} {-# LANGUAGE
谁能解释一下这个表达式是如何工作的? type = type || 'any'; 这是否意味着如果类型未定义则使用“任意”? 最佳答案 如果 type 为“falsy”(即 false,或 undef
我有一个界面,在IAnimal.fs中, namespace Kingdom type IAnimal = abstract member Eat : Food -> unit 以及另一个成功
这个问题在这里已经有了答案: 关闭 10 年前。 Possible Duplicate: What is the difference between (type)value and type(va
在 C# 中,default(Nullable) 之间有区别吗? (或 default(long?) )和 default(long) ? Long只是一个例子,它可以是任何其他struct类型。 最
假设我有一个案例类: case class Foo(num: Int, str: String, bool: Boolean) 现在我还有一个简单的包装器: sealed trait Wrapper[
这个问题在这里已经有了答案: Create C# delegate type with ref parameter at runtime (1 个回答) 关闭 2 年前。 为了即时创建委托(dele
我正在尝试获取图像的 dct。一开始我遇到了错误 The function/feature is not implemented (Odd-size DCT's are not implemented
我正在尝试使用 AFNetworking 的 AFPropertyListRequestOperation,但是当我尝试下载它时,出现错误 预期的内容类型{( “应用程序/x-plist” )}, 得
我在下面收到错误。我知道这段代码的意思,但我不知道界面应该是什么样子: Element implicitly has an 'any' type because index expression is
我尝试将 SignalType 从 ReactiveCocoa 扩展为自定义 ErrorType,代码如下所示 enum MyError: ErrorType { // .. cases }
我无法在任何其他问题中找到答案。假设我有一个抽象父类(super class) Abstract0,它有两个子类 Concrete1 和 Concrete1。我希望能够在 Abstract0 中定义类
我想知道为什么这个索引没有用在 RANGE 类型中,而是用在 INDEX 中: 索引: CREATE INDEX myindex ON orders(order_date); 查询: EXPLAIN
我正在使用 RxJava,现在我尝试通过提供 lambda 来订阅可观察对象: observableProvider.stringForKey(CURRENT_DELETED_ID) .sub
我已经尝试了几乎所有解决问题的方法,其中包括。为 提供类型使用app.use(express.static('public'))还有更多,但我似乎无法为此找到解决方案。 index.js : imp
以下哪个 CSS 选择器更快? input[type="submit"] { /* styles */ } 或 [type="submit"] { /* styles */ } 只是好
我不知道这个设置有什么问题,我在 IDEA 中获得了所有注释(@Controller、@Repository、@Service),它在行号左侧显示 bean,然后转到该 bean。 这是错误: 14-
我听从了建议 registering java function as a callback in C function并且可以使用“简单”类型(例如整数和字符串)进行回调,例如: jstring j
有一些 java 类,加载到 Oracle 数据库(版本 11g)和 pl/sql 函数包装器: create or replace function getDataFromJava( in_uLis
我已经从 David Walsh 的 css 动画回调中获取代码并将其修改为 TypeScript。但是,我收到一个错误,我不知道为什么: interface IBrowserPrefix { [
我是一名优秀的程序员,十分优秀!