一日一技：使用二分法排查正则表达式的异常

发表于 2020-03-23 更新于 2024-11-12 分类于 Python 阅读次数：本文字数： 836 阅读时长 ≈ 3 分钟

现在我有10亿条微博正文，并从同事手上拿到了15000条需要过滤的垃圾信息正则表达式，只要微博正文符合任何一条正则表达式，就删除这条微博。

正则表达式的格式为：

^你成功领取
|^感谢您的积
|^在第\d+次抽奖.
|^只有帮主才
|^目标有相应
|^宝宝#G.
|^提交失败，
|^您已领取过
|^破军争夺战
|^首席大弟子
|数第\d+个丫鬟
|你的店铺
|恭喜.*?投中了
|<web
|你将该物品拆解成
|^你身上没有
|欢迎参加微博抽奖
|蔡徐坤
|王一博
|朱一龙
...

存放在一个名为trash.txt的文本文件中，每个正则表达式一行。

一般情况下，我只需要使用如下几行代码就能实现这个功能：

import re

with open('trash.txt', encoding='utf-8') as f:
    lines = [x.strip() for x in f]
    pattern = re.compile(''.join(lines))

for weibo in weibo_list:
    if pattern.search(weibo):
        print('垃圾信息，过滤！')

但是当我的代码运行到re.compile这一行时，报错了，如下图所示：

并且，即使你在 Google 上面搜索：re.error: multiple repeat at position，截至2019年12月30日，你能找到的都是对这个报错的讨论，但没有一个讨论能解决本文描述的问题。

那我们自食其力，来试着解决一下这个问题。它报错报的是position 167，那么我们来看看第167个字符有什么问题。在 PyCharm 中，可以在右下角查看你选中了多少个字符，如下图所示：

从截图中可以看到，第167个字符所在的这一行正则表达式为：|张三丰.*?张翠山.*?张无忌，但是我完全看不出这一行正则表达式有什么问题。

由于报错了，那么肯定至少有一行正则表达式有问题，我们假设有问题的正则表达式有且只有一行。现在我们有15000行正则表达式，如何找出有问题的这一行呢？

这个时候，我们就可以使用二分查找来解决这个问题，$log_{2}15000=13.8$，我们最多查找14次就能找到有问题的这一行正则表达式。

由于正则表达式一共有15000行，我们就先看0-7500行在编译时是否会报错，如果报错，在看0-3750行是否报错，如果不报错，在看3750-7500行是否报错……如此分割下去，直到找到报错的这一行正则表达式。

二分查找的代码如下：

import re

with open('trash.txt', encoding='utf-8') as f:
    lines = [x.strip() for x in f]


def is_compile_success(regex):
    try:
        re.compile(regex)
        return True
    except Exception:
        return False


def search(regex_list):
    if len(regex_list) == 1:
        print(regex_list[0])
        return
    mid = len(regex_list) // 2
    part_1 = ''.join(regex_list[: mid])
    part_2 = ''.join(regex_list[mid: ])
    if not is_compile_success(part_1):
        search(regex_list[: mid])
        return
    if not is_compile_success(part_2):
        search(regex_list[mid:])
        return


search(lines)