Python正则性能差异源于写法：预编译（re.compile）复用、锚点^$限定范围、避免灾难性回溯（如嵌套量词）、用非捕获组替代捕获、timeit基准测试、match/search/finditer按需选用。
Python正则表达式性能差异大，同一任务不同写法可能慢几倍甚至几十倍。关键不在“用不用正则”，而在“怎么写正则”——编译方式、锚点使用、回溯控制、预编译复用，直接影响执行效率。
预编译正则模式（re.compile）
反复调用 re.search、re.findall 等函数时，若模式固定，每次都会隐式编译，开销明显。应显式用 re.compile 编译一次，多次复用。
- ✅ 推荐：pattern = re.compile(r'd{3}-d{2}-d{4}')；然后 pattern.search(text)
- ❌ 避免：re.search(r'd{3}-d{2}-d{4}', text) 在循环中反复调用
- 注意：编译后的 pattern 是线程安全的，可全局复用
减少回溯与避免灾难性回溯
嵌套量词（如 (a+)+）、模糊匹配（如 .* 后接必须匹配项）易引发指数级回溯，导致秒级延迟甚至卡死。
- 用 ^ 和 $ 锚定边界，限制匹配范围
- 优先使用占有量词（++、*+）或原子组（(?>...)），但注意 Python 标准 re 模块不支持占有量词，可用 regex 第三方库替代
- 示例：匹配引号内内容，r'"([^"\]|\.)*"' 比 r'"[^"]*"' 更安全（处理转义），但比 r'"(?:[^"\]|\.)*"' 更易回溯；用非捕获组 + 明确字符集可缓解
用 timeit 做轻量基准测试
对单个正则操作测速，timeit 比手写循环更准确（自动处理 GC、多次运行取最优等）。
立即学习“Python免费学习笔记（深入）”；
- 命令行快速对比：python -m timeit -s "import re; p=re.compile(r'\d+')" "p.search('abc123def')"
- 代码中测试：用 timeit.repeat 多次运行取最小值，排除瞬时干扰
- 务必在相同数据集上比对，尤其注意“最坏输入”（如超长无匹配文本、触发深度回溯的字符串）
真实场景模拟：match vs search vs finditer
不同方法适用不同需求，性能也不同。不是越“强”越好，而是越贴合越快。
- match() 仅从开头匹配，最快，适合校验格式（如邮箱前缀、协议头）
- search() 全局扫描，比 match 慢但灵活；若已知目标靠前，加 ^ 或限定搜索范围（text[:1000]）能提速
- finditer() 返回迭代器，内存友好；但逐个 next() 调用有额外开销，批量提取建议用 findall()（小结果集）或预分配列表
