python - 解析大型 M3U 文件时遇到问题

Question

M3U 文件是一个播放列表文件，它包含描述媒体文件的条目列表、它们的名称、id、类别等。第一行是元数据，第二行是文件或流 URL。

示例:

#EXTINF:-1 tvg-id="ChannelName" tvg-name="|FR| Channel" tvg-logo="http://logo" timeshift="1" group-title="|FR| FrenchChannel",|FR| Channel Fullname
URL

我的文件包含大约 90,000 个条目和 160,000 行。重量约为 20Mb。

我想解析这个文件，并获取每个条目。我尝试使用这个正则表达式:

'(.+?),(?=(?:[^\"]*\"[^\"]*\")*[^\"]*$)(.+)\s*(.+)\s*'

它为我提供了不同匹配组中的元数据、全名和 URL。它在不同的子集(30,000 行和 50,000 行)上都能正常工作。然而，当处理全套时，匹配时间太长。当时我无法让它完成，不得不终止它。

我无法让这个解析工作，这是一个设计模式问题还是只是正则表达式太慢？我很困惑。

Answer 1

一种选择可能是重复键值对，而不是使用非贪婪的 .+? 以防止不必要的回溯并省略正向查找 (?=:

^(#\S+(?:\s+[^\s="]+="[^"]+")+),(.*)\s*(.*)

说明

• ^ 字符串开头
• ( 第一个捕获组
  • #\S+ 匹配 # 后跟 0+ 次非空白字符
  • (?: [^\s="]+="[^"]+")+ 重复键值对 1 次以上，前面有 1 次以上空白字符
• ) 关闭组 1
• ,(.*) 匹配逗号并捕获第 2 组中任何字符 0+ 次
• \s* 匹配 0 次以上空白字符
• (.*) 在组 3 中捕获与任意字符匹配 0 次以上的内容

Regex demo