Discussion :

[yorukaze]

salut a tous,

j'ai un petit soucis avec les regex. J'ai sous les yeux e bouquin de Tark Ziadé mais impossible de résoudre mon probleme.
J'ai un fichier html contenenant une ligne:
<td colspan=3 class="individualName">Un nom quelconque</td>

Mon but serai de recuperer juste les caracteres "un nom quelconque".
Vous savez faire?Moi non les regex n'ont jamais été mon fort

[pacificator]

Salut,

les regex n'ont jamais été mon fort

Pareil pour moi, je m'y perd facilement!!

Je peux juste te conseiller Kodos pour tester tes regex.

Bon courage

[yorukaze]

Salut,

Pareil pour moi, je m'y perd facilement!!

Je peux juste te conseiller Kodos pour tester tes regex.

Bon courage

ha oué je connais ca, l'outil est présenté dans le livre de Tarek.
Je vais perseverer et on verra

merci

[eyquem]

Il faut bien distinguer
- la manière dont on détecte les lignes dans lesquelles il y a un 'Un nom quelconque' à récupérer
- et la manière dont on fait l'extraction.

Qu'est ce qui te pose problème: la détection ou l'extraction ?

Pour ces deux points, on est obligé d'en savoir un minimum sur ce qui entoure 'Un nom quelconque' dans sa ligne.
Pour être précis sur ces deux points il faudrait donc en dire plus sur la structure des lignes recherchées.




Pour la détection, une regex ne se justifie que si les caractères qui entourent 'Un nom quelconque' ont une variabilité.
S'il sont fixes, le problème est assez facile et ne nécessite pas de regex.

Par exemple si 'Un nom quelconque' est toujours
précédé de
<td colspan=3 class="individualName">
et suivi de
</td>
dans une position quelconque au sein de la ligne (c'est à dire qu'il peut y avoir des caractères en nombre quelconque devant <td colspan=3 class="individualName"> )
on pourra faire

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
if '<td colspan=3 class="individualName">' in ligne and '</td>' in ligne:
  recup = ligne.partition('individualName">')[2].partition('</td>')[0]

Si les caractères qui entourent 'Un nom quelconque' ont une certaine variabilite, on peut se débrouiller avec end() et start() sur un MatchObject

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
ligne = '<td colspan=3 class="individualName">Un nom quelconque</td>'
bla = re.compile('<td c[a-z]+span=\d+ class="[a-z]+Name">?')
if bla.match(ligne):
    m = bla.match(ligne)
    fin = m.end()
    recup = ligne[fin:].partition('</td')[0]

[oiffrig]

Si tu veux repérer ce qui est entre les chaînes exactes <td colspan=3 class="individualName"> et </td>, tu peux faire simplement

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
ex = re.compile('<td colspan=3 class="individualName">(.+?)</td>')
#[...] (si le code de recherche est dans une boucle,
# il peut être judicieux de précompiler l'expression)
m = ex.search(ligne)
if m is not None:
    recup = m.group(1)

[eyquem]

D'une part, dans le principe de traitement, je ne trouve pas que

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
x = re.compile('<td colspan=3 class="individualName">(.+?)</td>')
for ligne in f:
    m = x.search(ligne)
    if m is not None:
        recup = m.group(1)
        print 'recup =',recup

dans lequel il y a
- exécution de compile
- exécution de search
- test sur le MatchObject
- exécution de group

soit plus simple que

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
for ligne in f:
    if '<td colspan=3 class="individualName">' in ligne and '</td>' in ligne:
         recup = ligne.partition('individualName">')[2].partition('</td>')[0]
         print 'recup =',recup

dans lequel il n'y a que partition() qui découpe deux fois.



Certes, je suis admiratif des possibilités du module re. Je n'ai qu'une très vague sur la manière dont peut fonctionner ce grand engin. Il m'apparait comme un vaisseau spatial sophistiqué bourré de fonctions dans ses soutes, qui permet d'explorer des contrées incroyablement accidentées.

Mais étant donné ces possibilités des fonctions re, on peut justement penser qu'elles "brassent" plus que de simples méthodes de chaines, et qu'à faire les choses de façon plus poussée, elle perdent en efficacité, non pas de résultat puisqu'elles peuvent faire plus que des méthodes de chaines, mais de rapidité.

C'est ce que j'ai testé avec une mesure sommaire de temps d'exécution. J'ai placé la ligne <td colspan=3 class="individualName">Tour Eiffel</td> trois lignes avant la fin d'un fichier 'gros' de 16,2 MB et de 358 459 lignes et j'ai lancé le code suivant dessus



Les temps moyens pour trouver la ligne, calculé par itération à 40 tours, ont été:

avec regex: 2,9194 secondes
avec partition(): 1,1280 secondes

Temps divisé par 2,6 avec partition() par rapport à l'utilisation d'une regex,
61 % de temps en moins !

Cela me conforte dans mon idée: inutile de prendre un vaisseau spatial pour traverser une rue.

[eyquem]

c'est pas super important, mais bon....

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
import re
from time import clock
 
bla = re.compile('<td colspan=3 class="individualName">(.+?)</td>')
 
nbtours = 40
 
li1 = []
somme = 0
for fois in range(nbtours):
    t0 = clock()
    f = open('riscuanov1','r')
    for ligne in f:
        m = bla.search(ligne)
        if m is not None:
            recup = m.group(1)
            li1.append(recup)
    f.close()
    somme = somme + clock()-t0
    print clock()-t0
 
print li1
print 'nombre de fois =',nbtours,'   temps moyen =',somme/nbtours
 
 
li2 = []
somme = 0
for fois in range(nbtours):
    t0 = clock()
    f = open('riscuanov1','r')
    for ligne in f:
        if '<td colspan=3 class="individualName">' in ligne and '</td>' in ligne:
            recup = ligne.partition('individualName">')[2].partition('</td>')[0]
            li2.append(recup)
    f.close()
    somme = somme + clock()-t0
    print clock()-t0
 
print li2
print 'nombre de fois =',nbtours,'   temps moyen =',somme/nbtours