为什么我的代码停止了？

Question

嘿，我遇到了一个问题，由于某种我无法弄清楚的原因，我的程序停止迭代 57802 记录处的文件。我放入了一个心跳部分，这样我就可以看到它在哪一行，这很有帮助，但现在我不明白为什么它停在这里。我以为这是内存问题，但我只是在我的 6GB 内存计算机上运行它，但它仍然停止。

有没有更好的方法来做我在下面做的事情？ 我的目标是阅读该文件（如果您需要我将其发送给您，我可以将 15MB 文本日志发送给您） 根据正则表达式查找匹配项并打印匹配行。还会有更多，但这就是我所得到的。我正在使用 python 2.6

任何想法都会有所帮助，代码注释也！我是一个Python菜鸟，仍在学习中。

import sys, os, os.path, operator
import re, time, fileinput

infile = os.path.join("C:\\","Python26","Scripts","stdout.log")

start = time.clock()

filename  = open(infile,"r")

match = re.compile(r'(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}),\d{3} +\w+ +\[([\w.]+)\] ((\w+).?)+:\d+ - (\w+)_SEARCH:(.+)')

count = 0
heartbeat = 0
for line in filename:
    heartbeat = heartbeat + 1
    print heartbeat
    lookup = match.search(line)
    if lookup:
        count = count + 1
        print line
end = time.clock()
elapsed = end-start
print "Finished processing at:",elapsed,"secs. Count of records =",count,"."

filename.close()

这是第 57802 行，它失败了：

2010-08-06 08:15:15,390 DEBUG [ah_admin] com.thg.struts2.SecurityInterceptor.intercept:46 - Action not SecurityAware; skipping privilege check.

这是匹配行：

2010-08-06 09:27:29,545 INFO  [patrick.phelan] com.thg.sam.actions.marketmaterial.MarketMaterialAction.result:223 - MARKET_MATERIAL_SEARCH:{"_appInfo":{"_appId":21,"_companyDivisionId":42,"_environment":"PRODUCTION"},"_description":"symlin","_createdBy":"","_fieldType":"GEO","_geoIds":["Illinois"],"_brandIds":[2883],"_archived":"ACTIVE","_expired":"UNEXPIRED","_customized":"CUSTOMIZED","_webVisible":"VISIBLE_ONLY"}

仅前 5 行的示例数据：

2010-08-06 00:00:00,035 DEBUG [] com.thg.sam.jobs.PlanFormularyLoadJob.executeInternal:67 - Entered into PlanFormularyLoadJob: executeInternal
2010-08-06 00:00:00,039 DEBUG [] com.thg.ftpComponent.service.JScapeFtpService.open:153 - Opening FTP connection to sdrive/[email protected]:21
2010-08-06 00:00:00,040 DEBUG [] com.thg.sam.email.EmailUtils.sendEmail:206 - org.apache.commons.mail.MultiPartEmail@446e79
2010-08-06 00:00:00,045 DEBUG [] com.thg.sam.services.OrderService.getOrdersWithStatus:121 - Orders list size=13
2010-08-06 00:00:00,045 DEBUG [] com.thg.ftpComponent.service.JScapeFtpService.open:153 - Opening FTP connection to sdrive/[email protected]:21

Answer 1

给你带来麻烦的输入线是什么样的？我会尝试打印出来。我怀疑你的CPU在运行时被固定。

嵌套正则表达式，就像您所拥有的那样，当它们不能快速匹配时，可能会非常表现不佳。

((\w+).?)+:

想象一个字符串中没有 : 但相当长。当正则表达式尝试各种方法组合来分隔 \w 和 之间的单词字符时，您最终将陷入回溯的世界。然后尝试以各种可能的方式将它们分组。如果你的模式能够更加具体，那么将会获得巨大的回报。

Answer 2

你的问题肯定是 @paulrubel 指出的部分：

((\w+).?)+:\d+

现在你已经添加了示例数据，很明显 . 应该匹配文字点，这意味着你应该转义它（>\.）。另外，你不需要内部的括号，外部的括号应该是非捕获的，但它是杀死你的基本结构；在放弃之前，它必须尝试太多的单词字符和点的排列。在尝试正则表达式的该部分之前，其他行都失败，这就是为什么您对它们没有任何问题。

当我在 RegexBuddy 中尝试时，你的正则表达式在 186 个步骤中匹配了好的行，并在 1,000,000 个步骤后放弃在第 57802 行上的尝试。当我转义点时，好的行只需要90步就可以匹配，但它仍然在第57802行超时。但现在我知道正则表达式的一部分只能匹配单词字符和点。一旦它消耗完所有可以消耗的数据，下一位就必须匹配 :\d+;如果没有，我知道尝试其他安排是没有意义的。我可以使用原子组来告诉它不要打扰：

(?>(?:\w+\.?)+):\d+

通过这一更改，好的行在 83 个步骤中匹配，而第 57802 行只需要 66 个步骤就报告失败。但使用原子组并不总是可行，因此您应该尝试使正则表达式符合其匹配的文本的实际结构。在这种情况下，您将匹配看起来像 Java 类名的内容（一些单词字符，后跟零个或多个实例（一个点和更多单词字符）），后跟一个冒号和一个行号：

\w+(?:\.\w+)*:\d+

当我插入该名称时进入正则表达式，它在 80 步内匹配好行，并在 67 步内拒绝第 57802 行——甚至不需要原子组。

Answer 3

您编译了正则表达式但从未使用它？

lookup = re.search(match,line)

应该是

lookup = match.search(line)

，你应该使用 os.path.join()

infile = os.path.join("C:\\","Python26","Scripts","stdout.log")

更新：

你的正则表达式可以更简单。只需检查日期时间戳。否则，根本不要使用正则表达式。假设您的日期和时间从行首开始

for line in open("stdout.log"):
    s = line.split()
    D,T=s[0],s[1]
    # use the time module and strptime to check valid date/time
    # or you can split "-" on D and T and do manual check using > or < and math

Answer 4

您的模式包含固定字符串 SEARCH_ 和一堆复杂的表达式（包括捕获），这些表达式确实会影响正则表达式引擎。但是您不对捕获的文本执行任何操作，因此您只想知道“它是否匹配” ？

仅搜索每行上的固定模式可能会更简单、更快。

if '_SEARCH:' in line:
    print line
    count += 1

Answer 5

无论如何，这可能是一个内存问题。对于大文件，最好使用 fileinput 模块，如下所示：

import fileinput
for line in fileinput.input([infile]):
    lookup = re.search(match, line)
     # etc.

Answer 6

尝试使用 pdb。如果您在心跳停止前不久将 pdb.set_trace() 放入心跳中，则可以查看它停止的特定行，并查看每行代码对该行执行的操作。

编辑：pdb 使用的示例：

import pdb
for i in range(50):
    print i
    if i == 12:
        pdb.set_trace()

运行该脚本，您将得到类似以下内容：

0
1
2
3
4
5
6
7
8
9
10
11
12
> <stdin>(1)<module>()
(Pdb)

现在您可以从 i=12 的上下文中计算 Python 表达式。

(Pdb) print i
12

使用它，但在增加心跳后将 pdb.set_trace() 放入循环中，如果 heartbeat == 57802。然后，您可以使用 p line 打印出 line，使用 p match.search(line) 打印正则表达式搜索的结果，等等。