Есть ли разница в производительности в этих двух поисках номера социального страхования?

Question

Мне нужно выполнить поиск людей, которые нарушают наше правило «не использовать номера социального страхования в своих данных» и должны знать, есть ли различия в производительности (и почему) между двумя строками ниже.

Спасибо.

[0-9]{3}-[0-9]{2}-[0-9]{4}

против

\d\d\d-\d\d-\d\d\d\d

---

Запрашиваемая информация:
двигатель: удален, чтобы избежать путаницы в тегах

Answer 1

Я думаю, вы увидите очень незначительные различия в производительности. Используйте первый, так как его легче читать с первого взгляда. Как только Regex скомпилирован (если вы компилируете его перед использованием в целях повторного использования), это все равно не будет иметь значения.

Не оптимизируйте, пока не потребуется для оптимизации.

Answer 2

Помимо производительности, я недавно обнаружил, что \ d и [0-9] не идентичны, потому что - это более 10 цифр . Поэтому вторая версия может дать больше ложных срабатываний.

Answer 3

Разница в производительности должна быть незначительной. На несвязанной ноте, если данные, с которыми вы имеете дело, похожи на то, что я вижу, возможно, было бы полезно расширить поиск, сделав дополнительные тире:

\b\d{3}-?\d{2}-?\d{4}\b

Обновление: Хороший вопрос, Кенг. Трюк с ограничением слов действительно полезен, поэтому я определенно включил бы его в первый проход.

Answer 4

Разница в производительности, если таковая имеется, будет абсолютно незначительной. Скорее всего, вы оптимизируете не ту часть вашего приложения.

Answer 5

Я только что проверил это в .NET с помощью функции в Regex Hero .

.

Удивительно, но первое выражение быстрее, хотя и незначительно. Я выполнил 500 000 итераций с действительным номером социального страхования, и вот результаты:

1,574 секунды - [0-9] {3} - [0-9] {2} - [0-9] {4}

1,844 секунды - \ d \ d \ d- \ d \ d- \ d \ d \ d \ d

Я проверил каждый из них 3 раза, чтобы убедиться, что тест был точным. Забавно, что результат в .NET является полной противоположностью результатов в Ruby и Perl.

Answer 6

После комментария о том, что это, скорее всего, не является узким местом в производительности - по сравнению с вводом / выводом и т. Д. Разница вряд ли будет измеримой.

Сказав это - если вы обеспокоены, измерьте это, не угадайте.

Answer 7

Есть лучшая оптимизация, кроме того, что вы заметили:

Номер социального страхования не может начинаться с номера больше 772

Чтобы мгновенно сократить группу совпадений, теперь вы можете:

[0-7][0-9]{2}-[0-9]{2}-[0-9]{4}

Полагаю, я пытаюсь сказать, что оптимизация не должна быть просто технической.

EDIT

Изменено регулярное выражение в соответствии с комментарием. Спасибо Дэвид!

Answer 8

Конечно, производительность двух выражений зависит от реализации используемого вами механизма регулярных выражений. Разница должна быть небольшой, поэтому не оптимизируйте, пока не увидите, что это узкое место.

Вот небольшое сравнение производительности с использованием Perl 5.8.3 и выборки из 8 МБ случайных данных (цифры, тире, пробелы):

time perl -ne 'if (/\d\d\d-\d\d-\d\d\d\d/) {print "."}' < numbers.txt
[output omitted]
real    0m0.143s
user    0m0.136s
sys     0m0.007s

time perl -ne 'if (/[0-9]{3}-[0-9]{2}-[0-9]{4}/) {print "."}' < numbers.txt
[output omitted]
real    0m0.166s
user    0m0.160s
sys     0m0.006s

Итак, первый на самом деле чуть-чуть быстрее (это согласуется для нескольких вызовов).

Answer 9

Этот скрипт на Ruby говорит, что первый немного медленнее, но я ожидаю, что различия на любом движке будут незначительными.

require 'benchmark'
include Benchmark

def random_ssn
  format "%03d-%02d-%04d", rand(1000), rand(100), rand(10000)
end

bm do |x|
  x.report("range") { 100_000.times { /[0-9]{3}-[0-9]{2}-[0-9]{4}/ =~ random_ssn } }
  x.report("digit") { 100_000.times { /\d\d\d-\d\d-\d\d\d\d/       =~ random_ssn } }
end

Результаты:

      user     system      total        real
range  1.080000   0.030000   1.110000 (  1.245579)
digit  0.980000   0.030000   1.010000 (  1.149390)

Answer 10

Как и в случае с любым вопросом о производительности, ответ заключается в том, чтобы протестировать его на своих собственных данных и выяснить. Опубликуйте результаты с некоторыми примерами данных, потому что это хороший вопрос.