正则匹配非常慢

Question

我正在尝试解析一个PDF文件，以提取其中的文本（请不要建议任何库来完成这个，因为这是我学习格式的一部分）。
我已经处理过解压缩，将其转换为字母数字格式。现在我需要从文本块中提取文本。
所以，我目前使用的模式是 BT.*?\((.*?)\).*?ET（设置了DOTMATCHALL），用来匹配类似下面的内容：

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

我只想要括号中的文本ABC。
上面的格式只是为了让它更清晰。在解压后的文本中，可能会全部在一行，也可能不会。BT和ET不一定会在行的开头。括号前后可能有空格和文本，也可能没有。不过，每个BT/ET块中只会有一个括号部分。

这个模式可以用，但速度很慢，我猜是因为正则表达式库在多次匹配BT和(ABC)之间的文本时效率不高。
我已经尝试预编译正则表达式来加快速度，但似乎效果不明显。

我该如何加快这个过程呢？

Answer 1

你确定这个正则表达式是正确的吗？它能找到ABC这个匹配项吗？你用的是哪种编程语言的正则表达式引擎？我用我的正则表达式调试工具查看了一下：

"BT.*?((.*?)).*?ET" 这个表达式并不能找到ABC，实际上它必须先找到字符串'ET'，然后再回溯去找其他的内容。

"BT.*?\\((.*?)\\).*?ET" 这个表达式则能按预期工作，从左到右只需一次扫描就能找到结果。

Answer 2

在一个文档中，这些块可能会出现多少次呢？

通常，正则表达式执行得很慢是因为出现了灾难性的回溯，具体情况可以参考这里：http://www.regular-expressions.info/catastrophic.html

我不知道你使用的正则表达式技术是什么，但你可以尝试使用前后查找断言，具体说明可以查看这里： http://www.regular-expressions.info/lookaround.html

这些可以让你先匹配你想要的内容，比如把ABC放在括号里，然后再验证它前面和后面是否有特定的值。

Answer 3

这里有一个不使用正则表达式的例子。它是用Python内部功能进行简单的字符串解析。

>>> xtract="""
... BT
...    /F13 12 Tf
...    288 720 Td
...    (ABC) Tj
... ET
...
... """
>>> for chunk in xtract.split("ET"):
...     if "BT" in chunk:
...         for brace in chunk.split(")"):
...             if "(" in brace:
...                  print brace[brace.find("(")+1:]
...
ABC