0 d [0-9] ට වඩා අඩු කාර්යක්ෂම වේ

මම කෙනෙක් භාවිතා කළ ස්ථානය පිළිතුරක් ඊයේ ප්රකාශයට පත්කෙළේය [0123456789]දී ප්රකාශන වඩා [0-9]හෝ \d. අක්ෂර කට්ටලයකට වඩා පරාසයක් හෝ ඉලක්කම් පිරිවිතරයක් භාවිතා කිරීම වඩා කාර්යක්ෂම යැයි මම කීවෙමි.

අද එය අත්හදා බැලීමට මම තීරණය කළ අතර (C # රීජෙක්ස් එන්ජිමෙහි අවම වශයෙන්) \dඅනෙක් දෙකටම වඩා බොහෝ වෙනස් බවක් නොපෙනෙන බව පෙනේ. සසම්භාවී අක්ෂර 1000 කින් යුත් අහඹු නූල් 10000 කට වඩා වැඩි මගේ පරීක්ෂණ ප්‍රතිදානය මෙන්න, සංඛ්‍යාංක 5077 ක් ඇත:

Regular expression \d           took 00:00:00.2141226 result: 5077/10000
Regular expression [0-9]        took 00:00:00.1357972 result: 5077/10000  63.42 % of first
Regular expression [0123456789] took 00:00:00.1388997 result: 5077/10000  64.87 % of first

හේතු දෙකක් නිසා එය මට පුදුමයකි:

1. මා සිතුවේ පරාසය කට්ටලයට වඩා කාර්යක්ෂමව ක්‍රියාත්මක කරනු ඇති බවයි.
2. මට \dවඩා නරක ඇයි කියලා තේරුම් ගන්න බැහැ [0-9]. \dකෙටියෙන් කෙටියෙන් කියවීමට වඩා වැඩි යමක් [0-9]තිබේද?

පරීක්ෂණ කේතය මෙන්න:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Diagnostics;
using System.Text.RegularExpressions;

namespace SO_RegexPerformance
{
    class Program
    {
        static void Main(string[] args)
        {
            var rand = new Random(1234);
            var strings = new List<string>();
            //10K random strings
            for (var i = 0; i < 10000; i++)
            {
                //Generate random string
                var sb = new StringBuilder();
                for (var c = 0; c < 1000; c++)
                {
                    //Add a-z randomly
                    sb.Append((char)('a' + rand.Next(26)));
                }
                //In roughly 50% of them, put a digit
                if (rand.Next(2) == 0)
                {
                    //Replace one character with a digit, 0-9
                    sb[rand.Next(sb.Length)] = (char)('0' + rand.Next(10));
                }
                strings.Add(sb.ToString());
            }

            var baseTime = testPerfomance(strings, @"\d");
            Console.WriteLine();
            var testTime = testPerfomance(strings, "[0-9]");
            Console.WriteLine("  {0:P2} of first", testTime.TotalMilliseconds / baseTime.TotalMilliseconds);
            testTime = testPerfomance(strings, "[0123456789]");
            Console.WriteLine("  {0:P2} of first", testTime.TotalMilliseconds / baseTime.TotalMilliseconds);
        }

        private static TimeSpan testPerfomance(List<string> strings, string regex)
        {
            var sw = new Stopwatch();

            int successes = 0;

            var rex = new Regex(regex);

            sw.Start();
            foreach (var str in strings)
            {
                if (rex.Match(str).Success)
                {
                    successes++;
                }
            }
            sw.Stop();

            Console.Write("Regex {0,-12} took {1} result: {2}/{3}", regex, sw.Elapsed, successes, strings.Count);

            return sw.Elapsed;
        }
    }
}

\dසියලුම යුනිකෝඩ් ඉලක්කම් පරික්ෂා කරන අතර [0-9]මෙම අක්ෂර 10 ට සීමා වේ. උදාහරණයක් ලෙස, පර්සියානු ඉලක්කම්, ۱۲۳۴۵۶۷۸۹යුනිකෝඩ් ඉලක්කම් සමඟ සැසඳිය හැකි \dනමුත් නොගැලපේ [0-9].

පහත දැක්වෙන කේතය භාවිතා කර ඔබට එවැනි සියලුම අක්ෂර ලැයිස්තුවක් ජනනය කළ හැකිය:

var sb = new StringBuilder();
for(UInt16 i = 0; i < UInt16.MaxValue; i++)
{
    string str = Convert.ToChar(i).ToString();
    if (Regex.IsMatch(str, @"\d"))
        sb.Append(str);
}
Console.WriteLine(sb.ToString());

ජනනය කරන:

0123456789٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹߀߁߂߃߄߅߆߇߈߉०१२३४५६७८ ९ ০১২৩৪৫৬৭৮৯੦੧੨੩੪੫੬੭੮੯૦૧૨૩૪૫૬૭૮૯ ୦୧୨୩୪୫୬୭୮୯ ௦௧௨௩௪௫௬௭௮௯౦౧౨౩౪౫౬౭౮౯೦೧೨೩೪೫೬೭೮೯൦൧൨൩൪൫൬൭൮൯๐๑๒๓๔๕๖๗๘๙໐໑໒໓໔໕໖໗໘໙༠༡༢༣༤༥༦༧༨༩၀၁၂၃၄၅၆၇၈၉႐႑႒႓႔႕႖႗႘႙០១២៣៤៥៦៧៨៩ ᠐᠑᠒᠓᠔᠕᠖᠗᠘᠙ ᥆᥇᥈᥉᥊᥋᥌᥍᥎᥏

ලේඛනයේ මෙය නොදැනීම සඳහා බයිට්බ්ලාස්ට් වෙත ණය. රීජෙක්ස් ඉදිකිරීම්කරු වෙනස් කිරීම පමණි:

var rex = new Regex(regex, RegexOptions.ECMAScript);

නව වේලාවන් ලබා දෙයි:

Regex \d           took 00:00:00.1355787 result: 5077/10000
Regex [0-9]        took 00:00:00.1360403 result: 5077/10000  100.34 % of first
Regex [0123456789] took 00:00:00.1362112 result: 5077/10000  100.47 % of first

සිට රීජෙක්ස් හි “\ d” යන්නෙන් ඉලක්කම් අදහස් වේද? :

[0-9]සමාන නොවේ \d. [0-9]ගැලපෙන්නේ 0123456789අක්ෂර පමණක් වන අතර, \dතරඟ [0-9]සහ වෙනත් ඉලක්කම් අක්ෂර, උදාහරණයක් ලෙස නැගෙනහිර අරාබි ඉලක්කම්٠١٢٣٤٥٦٧٨٩

කිරීමට අමතරව ඉහළ පිළිතුර සිට සිනා Iravianian , මෙහි .NET 4.5 අනුවාදය වේ තම කේත, යුනිකෝඩ් කේතය ලකුණු පූර්ණ පරාසය භාවිතා (සිට අනුවාදය UTF16 ප්රතිදානය, පළමු පේළි තුනක් cf සහාය පමණක් බව). ඉහළ යුනිකෝඩ් ගුවන් යානා සඳහා නිසි සහායක් නොලැබීම හේතුවෙන් ඉහළ යුනිකෝඩ් ගුවන් යානා පරීක්ෂා කිරීම හා ඇතුළත් කිරීම පිළිබඳව බොහෝ අය නොදැන සිටිති. එසේ වුවද ඒවා සමහර විට වැදගත් චරිත කිහිපයක් අඩංගු වේ.

යාවත්කාලීන කරන්න

රීජෙක්ස්\d හි BMP නොවන අක්ෂර සඳහා සහය නොදක්වන හෙයින් (ස්තූතියි xanatos ), මෙහි යුනිකෝඩ් අක්ෂර දත්ත ගබඩාව භාවිතා කරන අනුවාදයකි

public static void Main()
{
    var unicodeEncoding = new UnicodeEncoding(!BitConverter.IsLittleEndian, false);
    Console.InputEncoding = unicodeEncoding;
    Console.OutputEncoding = unicodeEncoding;

    var sb = new StringBuilder();
    for (var codePoint = 0; codePoint <= 0x10ffff; codePoint++)
    {
        var isSurrogateCodePoint = codePoint <= UInt16.MaxValue 
               && (  char.IsLowSurrogate((char) codePoint) 
                  || char.IsHighSurrogate((char) codePoint)
                  );

        if (isSurrogateCodePoint)
            continue;

        var codePointString = char.ConvertFromUtf32(codePoint);

        foreach (var category in new []{
        UnicodeCategory.DecimalDigitNumber,
            UnicodeCategory.LetterNumber,
            UnicodeCategory.OtherNumber})
        {
        sb.AppendLine($"{category}");
            foreach (var ch in charInfo[category])
        {
                sb.Append(ch);
            }
            sb.AppendLine();
        }
    }
    Console.WriteLine(sb.ToString());

    Console.ReadKey();
}

පහත ප්‍රතිදානය ලබා දීම:

DecimalDigitNumber 0123456789٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹߀߁߂߃߄߅߆߇߈߉०१२३४५६७८ ९ ০১২৩৪৫৬৭৮৯੦੧੨੩੪੫੬੭੮੯૦૧૨૩૪૫૬૭૮૯ ୦୧୨୩୪୫୬୭୮୯ ᭐᭑᭒᭓᭔᭕᭖᭗᭘᭙᮰᮱᮲᮳᮴᮵᮶᮷᮸᮹᱀᱁᱂᱃᱄᱅᱆᱇᱈᱉᱐᱑᱒᱓᱔᱕᱖᱗᱘᱙꘠꘡꘢꘣꘤꘥꘦꘧꘨꘩꣐꣑꣒꣓꣔꣕꣖꣗꣘꣙꤀꤁꤂꤃꤄꤅꤆꤇꤈꤉꧐꧑꧒꧓꧔꧕꧖꧗꧘꧙꧰꧱꧲꧳꧴꧵꧶꧷꧸꧹꩐꩑꩒꩓꩔꩕꩖꩗꩘꩙꯰꯱꯲꯳꯴꯵꯶꯷꯸꯹０１２３４５６７８９

LetterNumber

ᛮᛯᛰⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫⅬⅭⅮⅯⅰⅱⅲⅳⅴⅵⅶⅷⅸⅹⅺⅻⅼⅽⅾⅿↀↁↂↅↆↇↈ〇〡〢〣〤〥〦〧〨〩〸〹〺ꛦꛧꛨꛩꛪꛫꛬꛭꛮꛯ 𐅀𐅁𐅂𐅃𐅄𐅅𐅆𐅇𐅈𐅉𐅊𐅋𐅌𐅍𐅎𐅏𐅐𐅑𐅒𐅓𐅔𐅕𐅖𐅗𐅘𐅙𐅚𐅛𐅜𐅝𐅞𐅟𐅠𐅡𐅢𐅣𐅤𐅥𐅦𐅧𐅨𐅩𐅪𐅫𐅬𐅭𐅮𐅯𐅰𐅱𐅲𐅳𐅴 𐍁𐍊 𐏑𐏒𐏓𐏔𐏕

වෙනත් අංක ²³¹¼½¾৴৵৶৷৸৹ ୲୳୴୵୶୷ ௰௱௲ ౸౹౺౻౼౽౾𑇡𑇢𑇣𑇤𑇥𑇦𑇧𑇨𑇩𑇪𑇫𑇬𑇭𑇮𑇯𑇰𑇱𑇲𑇳𑇴 𑜺𑜻 𑣪𑣫𑣬𑣭𑣮𑣯𑣰𑣱𑣲 𖭛𖭜𖭝𖭞𖭟𖭠𖭡𝍠𝍡𝍢𝍣𝍤𝍥𝍦𝍧𝍨𝍩𝍪𝍫𝍬𝍭𝍮𝍯𝍰𝍱

un d සියළුම යුනිකෝඩ් පරික්ෂා කරන අතර [0-9] මෙම අක්ෂර 10 ට සීමා වේ. ඉලක්කම් 10 ක් නම්, ඔබ භාවිතා කළ යුතුය. තවත් සමහරු writing d using භාවිතා කිරීම නිර්දේශ කරමි.