Python を使用して大きなログ ファイル内の文字列間の最短一致を抽出する方法

文字列間の最短一致の抽出

大規模なログ ファイルが含まれるシナリオでは、特定の文字列間の最短一致を特定することが重要になります。この記事では、このタスクに対する Python ベースのソリューションを検討し、詳細な説明を提供し、実際の計算の複雑さに対処します。

課題は、'start' と ' という 2 つの異なる文字列で囲まれた複数行の文字列を見つけることにあります。終わり'。従来の正規表現アプローチでは、文字列「start spam」から一致をキャプチャする例に見られるように、望ましくない結果が生じる可能性があります。

これに対処するために、改良された正規表現が導入されています。

<code class="python">(start((?!start).)*?end)</code>

この正規表現は負の先読みを使用し、キャプチャされたシーケンス内に他の「開始」文字列が含まれることを防ぎます。次に、 re.findall メソッドを単一行修飾子 re.S とともに使用して、複数行の文字列内のすべての出現箇所を抽出します。

このソリューションの有効性を示すために例が提供されています。 2 GB のファイル サイズ、1,200 万回の「start」の発生、ファイルの終わり近くに集中した約 800 回の「end」の発生など、実際の計算の複雑さを処理します。

以上がPython を使用して大きなログ ファイル内の文字列間の最短一致を抽出する方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。