为什么这个Regexp使用pcre的步骤比Python少99.89%？

Question

我只是在regex101编辑器中构建了这个表达式，但意外地忘记了将其转换为Python风味语法。我不太熟悉这些差异，但我认为它们会很小。他们不是。

Perl/pcre比Python少99.89% (6,377,715对6,565步)

https://regex101.com/r/PRwtJY/3

Regexp:

^(\d{1,3}) +((?:[a-zA-Z0-9\(\)\-≠,]+ )+) +£ *((?:[\d]  {1,4}|\d)+)∑([ \d]+)?

任何帮助都将不胜感激！谢谢。

编辑

数据源是从PDF中提取的多行txt，结果输出不太完美(您可以看到基本源PDF在这里)。

我试图提取特定行的框号、标题和任何存在(填写)的数字。如果您检查上面的链接，您可以看到完整的示例。例如：

下面是Regex101显示正匹配的屏幕截图。最上面的线匹配显示框号(155)、标题(交易利润)和数字(5561)。

​

Restrictions:

• 理想情况下，当您在PCRE编译器中看到这些值时--在匹配之前或之后几乎没有额外的空格--只提取方框号、标题和值。
• 只有当有一个数字/值被填入时才匹配(例如，在上面的示例中为5561，因此它-框160之后的行不匹配，而是匹配框165)。
• 格式在表单下向下变化，我有一个单独的正则表达式，所以忽略它。

Answer 1

建议:使用新的模块，它支持原子组和拥有式量词。与初始PCRE表达式相比，这减少了所需步骤的大约50% (参见regex101.com上的演示)：

^
(\d{1,3})\s++
((?>[^£\n]+))£\s++
([ \d]+)(?>[^∑\n]+)∑\s++
([ \d]+)

​

要做到这一点，你可以：

​

import regex as re
rx = re.compile(r'''
    ^
    (\d{1,3})\s++
    ((?>[^£\n]+))£\s++
    ([ \d]+)(?>[^∑\n]+)∑\s++
    ([ \d]+)''', re.M | re.X)

matches = [[group.strip() for group in m.groups()] for m in rx.finditer(data)]
print(matches)

它为除给出的：

[['145', 'Total turnover from trade', '5    2    0  0  0', '0  0'], ['155', 'Trading profits', '5  5  6  1', '0  0'], ['165', 'Net trading profits ≠ box 155 minus box 160', '5    5  6  1', '0  0'], ['235', 'P rofits before other deductions and reliefs ≠ net sum of', '5  5  6  1', '0  0'], ['300', 'Profits before qualifying donations and group relief ≠', '5  5    6  1', '0     0'], ['315', 'Profits chargeable to Corporation Tax ≠', '5  5    6  1', '0     0'], ['475', 'Net Corporation Tax liability ≠ box 440 minus box 470', '1  0  5  6', '5  9'], ['510', 'Tax chargeable ≠ total of boxes 475, 480, 500 and 505', '1  0  5  6', '5  9'], ['525', 'Self-assessment of tax payable ≠ box 510 minus box 515', '1  0  5  6', '5  9'], ['600', 'Tax outstanding ≠', '1  0  5  6', '5  9']]