C ++程序需要几分钟来解析大文件而python在几秒钟内运行

Question

我在 VS 中运行一个 c++ 程序。我提供了一个正则表达式，我正在解析一个超过 200 万行的文件，用于匹配该正则表达式的字符串。代码如下：

int main() {
    ifstream myfile("file.log");
    if (myfile.is_open())
    {
        int order_count = 0;
        regex pat(R"(.*(SOME)(\s)*(TEXT).*)");
        for (string line; getline(myfile, line);)
        {
            smatch matches;
            if (regex_search(line, matches, pat)) {
                order_count++;
            }
        }
        myfile.close();
        cout << order_count;
    }

    return 0;
}

文件应该搜索匹配的字符串并计算它们的出现次数。我有一个 python 版本的程序，它使用相同的正则表达式在 4 秒内完成此操作。我已经等了大约 5 分钟，上面的 c++ 代码才能工作，但它仍然没有完成。它没有进入无限循环，因为我让它以一定的间隔打印出它的当前行号并且它正在进步。我应该用不同的方式编写上面的代码吗？

编辑：这是在发布模式下运行的。

编辑：这是python代码：

class PythonLogParser:

def __init__(self, filename):
    self.filename = filename

def open_file(self):
    f = open(self.filename)
    return f

def count_stuff(self):
    f = self.open_file()
    order_pattern = re.compile(r'(.*(SOME)(\s)*(TEXT).*)')
    order_count = 0
    for line in f:
        if order_pattern.match(line) != None:
            order_count+=1 # = order_count + 1
    print 'Number of Orders (\'ORDER\'): {0}\n'.format(order_count)
    f.close()

程序终于停止运行。最令人不安的是输出不正确（我知道正确的值应该是什么）。

也许对这个问题使用正则表达式并不是最好的解决方案。如果我找到更好的解决方案，我会更新。

编辑：根据@ecatmur 的回答，我做了以下更改，c++ 程序运行得更快了。

int main() {
        ifstream myfile("file.log");
        if (myfile.is_open())
        {
            int order_count = 0;
            regex pat(R"(.*(SOME)(\s)*(TEXT).*)");
            for (string line; getline(myfile, line);)
            {
                if (regex_match(line, pat)) {
                    order_count++;
                }
            }
            myfile.close();
            cout << order_count;
        }

        return 0;
    }

Answer 1

您应该使用regex_match，而不是regex_search。

7.2.5.3. search() vs. match()

Python 提供了两种不同的基于正则表达式的原始操作：re.match() 仅在字符串的开头检查匹配项，而 re.search() 则检查字符串中任何位置的匹配项

还有：

std::regex_search

regex_search 将成功匹配给定序列的任何子序列，而 std::regex_match 将仅在正则表达式匹配整个序列时返回 true。

通过使用regex_search，您将生成n * m 匹配结果，其中n 是搜索字符串中心部分之前的字符数，m 是搜索字符串中心部分之后的字符数。毫不奇怪，这需要很长时间才能生成。

事实上，更有效的方法是使用regex_search，但仅与搜索字符串的中心部分一起使用：

    regex pat(R"((SOME)(\s)*(TEXT))");

并使用regex_search 的重载，它不会将匹配结果带出参数（因为您忽略了匹配结果）：

        if (regex_search(line, pat)) {    // no "matches"
            order_count++;
        }