python正则匹配和字符串匹配，哪个效率更高

Python025

python正则匹配和字符串匹配，哪个效率更高,第1张

$ python -m timeit "import repat = re.compile(r'llo')pat.search('hello')"

# 编译过的 re

$ python -m timeit -s "import repat = re.compile(r'llo')" "pat.search('hello')"

1000000 loops, best of 3: 0.234 usec per loop

# 字符串匹配

$ python -m timeit "'hello'.index('llo')"

1000000 loops, best of 3: 0.214 usec per loop

# 单纯地判断是否存在匹配

$ python -m timeit "'llo' in 'hello'"

10000000 loops, best of 3: 0.0495 usec per loop

######## 忽略大小的匹配

python -m timeit -s "import repat = re.compile(r'llo', re.IGNORECASE)" "pat.search('helLo')"

1000000 loops, best of 3: 0.387 usec per loop

###### 没区别...

$ python -m timeit -s "tomatch='llo'" "'heLlo'.lower().index('llo')"

1000000 loops, best of 3: 0.373 usec per loop

在 反复 查找同一字符串的情况下字符串匹配高效一点点，可以忽略不计。

如果只是 单次 匹配，或者只是查找是否有匹配的情况下regex要慢很多

很多爬虫工作者都遇到过抓取非常慢的问题，尤其是需要采集大量数据的情况下。那么如何提高爬虫采集效率就十分关键，一块了解如何提高爬虫采集效率问题。

1.尽可能减少网站访问次数

单次爬虫的主要把时间消耗在网络请求等待响应上面，所以能减少网站访问就减少网站访问，既减少自身的工作量，也减轻网站的压力，还降低被封的风险。

第一步要做的就是流程优化，尽量精简流程，避免在多个页面重复获取。

随后去重，同样是十分重要的手段，一般根据url或者id进行唯一性判别，爬过的就不再继续爬了。

2.分布式爬虫

即便把各种法子都用尽了，单机单位时间内能爬的网页数仍是有限的，面对大量的网页页面队列，可计算的时间仍是很长，这种情况下就必须要用机器换时间了，这就是分布式爬虫。

第一步，分布式并不是爬虫的本质，也并不是必须的，对于互相独立、不存在通信的任务就可手动对任务分割，随后在多个机器上各自执行，减少每台机器的工作量，费时就会成倍减少。

例如有200W个网页页面待爬，可以用5台机器各自爬互不重复的40W个网页页面，相对来说单机费时就缩短了5倍。

可是如果存在着需要通信的状况，例如一个变动的待爬队列，每爬一次这个队列就会发生变化，即便分割任务也就有交叉重复，因为各个机器在程序运行时的待爬队列都不一样了——这种情况下只能用分布式，一个Master存储队列，其他多个Slave各自来取，这样共享一个队列，取的情况下互斥也不会重复爬取。IPIDEA提供高匿稳定的IP同时更注重用户隐私的保护，保障用户的信息安全。含有240＋国家地区的ip，支持API批量使用，支持多线程高并发使用。