Python正则优化核心是减少回溯、避免灾难性回溯：优先用非贪婪量词或否定字符类替代贪婪匹配，使用原子组禁用无效回溯；必须预编译并复用Pattern对象；先用字符串方法粗筛再正则精匹配；避免嵌套量词、无锚点和模糊边界等低效构造。
Python正则表达式性能问题，往往不是“写不出来”，而是“写得太宽泛”或“回溯太猛”。优化核心在于减少回溯、避免灾难性回溯（Catastrophic Backtracking），同时合理利用编译缓存和匹配策略。
避免贪婪量词滥用，优先使用非贪婪或原子组
贪婪匹配（如 .*、.+）在失败时会反复回退，尤其在长文本中极易引发指数级回溯。例如：r'a.*b' 匹配 'a' + 1000个x + 'b' 很快，但若结尾没有 b，引擎会尝试从末尾逐字符回溯，耗时剧增。
优化建议：
- 用非贪婪替代：如
r'a.*?b'，让匹配尽早收口； - 若语义允许，用否定字符类更高效：如
r'a[^b]*b'（匹配 a 后非 b 字符若干，再跟 b）； - 对已知结构的片段，用原子组
(?>...)禁止回溯：如r'(?>a+|aa+)b'防止重复尝试不同 a+ 分支。
预编译正则，复用 Pattern 对象
re.match()、re.search() 等顶层函数每次调用都会隐式编译（即使模式相同），造成重复开销。高频使用必须显式编译并复用。
立即学习“Python免费学习笔记（深入）”；
正确做法：
- 将正则编译提到模块级或函数外：pattern = re.compile(r'\d{3}-\d{2}-\d{4}')；
- 后续直接调用
pattern.search(text)或pattern.findall(text)； - 对多模式场景，可用字典缓存：
COMPILED = {k: re.compile(v) for k, v in patterns.items()}。
缩小匹配范围，先粗筛再精匹配
不要指望一个正则“通吃”。对大文本或高并发场景，应分层处理：
- 先用
in、str.startswith()、str.find()快速排除无关内容； - 再对候选片段（如某段日志行、某个 HTML 标签内）做正则提取；
- 例如：处理 JSON 日志行，先
if 'ERROR' in line and '"msg":' in line:，再用正则解析 msg 字段，而非整行跑复杂正则。
警惕低效构造：嵌套量词、模糊边界、无锚点
以下写法极易导致严重回溯：
-
r'(a+)+b'—— 嵌套贪婪量词，输入'a' * 30就可能卡死； -
r'.*foo.*bar'—— 无锚点、过度通配，引擎需穷举所有子串组合； -
r'[a-z]+@[a-z]+\.[a-z]+'—— 缺少边界和长度限制，易被恶意输入拖垮（如超长字母串）。
改进方向：
- 加锚点：
r'^[a-z]{1,64}@([a-z0-9-]{1,63}\.)+[a-z]{2,}$'； - 用
re.fullmatch()替代search()当需全串匹配； - 必要时启用
re.DEBUG查看编译后结构，或用regex库（支持自动防回溯检测）。
