使用re.match的Python會以長文本掛起

Question

我有一個帶有域列表的文本文件，我想使用python正則表達式來匹配域和任何子域。

樣本域文件

admin.happy.com
nothappy.com

我有以下正則表達式：

main_domain = 'happy.com'
mydomains = open('domains.txt','r').read().replace('\n',',')
matchobj = re.match(r'^(.*\.)*%s$' % main_domain,mydomains)

該代碼可以很好地處理短文本，但是當我的域文件有100多個條目時，它會掛起並凍結。

有沒有一種方法可以優化正則表達式以處理文本文件中的內容？

Answer 1

(.*\\.)*最有可能導致可怕的回溯。 如果文件每行包含一個域，則最簡單的解決方法是在每行上執行正則表達式，而不是一次執行整個文件：

main_domain = 'happy.com'
for line in open('domains.txt','r')):
    matchobj = re.match(r'^(.*\.)*%s$' % main_domain, line.strip())
    # do something with matchobj

如果您的文件除包含發布格式的域外不包含任何內容，您甚至可以進一步簡化此過程，並且根本不使用正則表達式：

subdomains = []
for line in open('domains.txt','r')):
    line = line.strip()
    if line.endswith(main_domain):
        subdomains.append(line[:-len(main_domain)])

Answer 2

為了避免災難性的回溯，您可以簡化正則表達式：

import re

with open("domains.txt") as file:
    text = file.read()
main_domain = "happy.com"
subdomains = re.findall(r"^(.+)\.%s$" % re.escape(main_domain), text, re.M)

如果還要匹配主域： (r"^(?:(.+)\\.)?%s$" 。