Muitas vezes durante o nosso dia-a-dia de programador nos deparamos com a necessidade de analisar, buscar e retornar valores dentro de uma string. Existem duas formar de se fazer esse processamento, uma é você escrever manualmente a análise da string e a outra é utiliza expressões regulares, ou como também são chamadas: RegEx (abreviação para Regular Expressions)
Expressões Regulares
Expressões regulares são uma cadeia de caracteres com significados próprios utilizados para buscar padrões de texto. Elas possuem diversas aplicações, mas geralmente são utilizadas para extrair informações de um texto ou saber se um grupo predefinido de sequência está presente em um texto. Meu objetivo neste texto não é explicar expressões regulares, mas sim mostrar sua utilidade. Então vamos lá…
Um Exemplo Simples
As expressões regulares são ferramentas extremamente poderosas e podem passar de trechos simples de caracteres à um emaranhado ininteligível de caracteres, por isso use com parcimônia. Aqui vou da um exemplo simples sobre como uma expressão regular pode ser utilizada para resumir alguns poucos trechos de código Python.
Neste nosso exemplo temos uma string chamada dados que contém um pequeno trecho HTML. Nossa tarefa é analisar a string e retornar apenas os links que existem nela. Primeiro vamos ver como fazer isso em Python puro:
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
# Arquivo: busca_link.py
# Licença: GPLv3
dados = '''<HTML>
<HEAD>
<TITLE>Mind Bending Blog</TITLE>
</HEAD>
<BODY>
<H1>Bem Vindo!</H1>
Bem vindo! Acesse o meu blog
Visite também o portal de notícias
</BODY>
</HTML>'''.split('n')
def busca_links(dados):
ret = []
for linha in dados:
if 'href' not in linha:
continue
ret.append(linha.split('"')[1])
return ret
if __name__ == '__main__':
print busca_links(dados)
Ao executarmos o código acima obtemos o seguinte resultado:
$ python busca_link.py
['http://mindbending.org', 'http://news.codecommunity.org']
Como podemo fazer isso com RegEx? Simples:
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
# Arquivo: busca_link_re.py
# Licença: GPLv3
import re
dados = '''<HTML>
<HEAD>
<TITLE>Mind Bending Blog</TITLE>
</HEAD>
<BODY>
<H1>Bem Vindo!</H1>
Bem vindo! Acesse o meu blog
Visite também o portal de notícias
</BODY>
</HTML>'''.split('n')
link_re = re.compile(r'href="(.*?)"')
def busca_links_re(dados):
ret = []
for linha in dados:
ret += link_re.findall(linha)
return ret
if __name__ == '__main__':
print busca_links_re(dados)
Ao executarmos o código acima obtemos o seguinte resultado:
$ python busca_link_re.py
['http://mindbending.org', 'http://news.codecommunity.org']
Tirando a dificuldade de compreender o significado da expressão regular, o código Python ficou bem mais compacto. Agora eu pergunto, será que vale a pena substituir o uso do split e find em todos os nossos programas em Python? A resposta é simples: Não.
Por Que Não?
Alguma rotinas (como a demonstrada acima) são tão simples que o uso das expressões regulares é um custo muito alto. Para provar isso vamos executar o um teste para medir o tempo que levamos para executar 1.000.000 vezes as funções busca_link e busca_link_re:
#!/usr/bin/env python2
# -*- coding: utf-8 -*-
# Arquivo: timer_link.py
# Licença: GPLv3
import time
import busca_link
import busca_link_re
dados = busca_link.dados
busca_links = busca_link.busca_links
busca_links_re = busca_link_re.busca_links_re
def timing(func, resp, count):
i = time()
for n in range(count):
func(resp)
print 'Tempo medido com '+func.func_name+':',time()-i
n = 1000000
timing(busca_links, dados, n)
timing(busca_links_re, dados, n)
Ao executar temos a seguinte resposta:
$ python timer_link.py
Tempo medido com busca_links: 3.89300012589
Tempo medido com busca_links_re: 11.4989998341
Podemos ver claramente que para tratamentos simples como este basta um split :D. Mas, se utilizarmos um tipo de dado que favorece as expressões regulares, podemos melhorar esse tempo. Para isso modificamos a função busca_links_re no arquivo busca_link_re conforme abaixo:
def busca_links_re(dados):
ret = []
for match in link_re.finditer(dados):
ret.append(match.group(1))
return ret
e alteramos o arquivo timer_link da seguinte forma:
dados2 = ''.join(dados)
timing(busca_links_re, dados2, n)
Ao reexecutarmos os testes, temos os seguintes tempos:
$ python timer_link.py
Tempo medido com busca_links: 4.00200009346
Tempo medido com busca_links_re: 6.77699995041
Isso sim é uma melhora!
Só Isso?
Por enquanto só! Mas fiquem ligados, em breve vou mostrar que é possível sim ter menos código, mais eficiência e desempenho usando expressões regulares.
Até mais…
Comments
comments powered by Disqus