如何提高文本解析功能的性能？答案

【问题标题】：How to improve performance of text parsing function?如何提高文本解析功能的性能？
【发布时间】：2018-12-16 08:52:31
【问题描述】：

我正在尝试从葡萄酒的标题中解析年份。我希望通过下面的代码获得大约 50% 的准确度，但如果可能的话，我想改进它。有人知道我可以做些什么来提高准确性吗？

返回的示例标题及其解析年份：

Quinta dos Avidagos 2011 Avidagos Red (Douro) -> 0 incorrect
Rainstorm 2013 Pinot Gris (Willamette Valley) -> 2011 incorrect
Louis M. Martini 2012 Cabernet Sauvignon -> 2012 correct
Mirassou 2012 Chardonnay (Central Coast) -> 2012 correct

我正在实现的代码：

from dateutil.parser import parse
from datetime import datetime, timezone

df = "my pandas dataframe with wine titles"
dt = datetime.now()
dt.replace(tzinfo=timezone.utc)

year_parse = []
for i in range(len(df['title'])):
    try:
        ans = parse(df.title[i], fuzzy=True).year
        year_parse.append(int(ans))
    except:
        ans = 0
        year_parse.append(int(ans))

非常感谢任何建议！

【问题讨论】：

看起来像一个正则表达式的任务，类似于 \b\d{4}\b
如果有可能 4 个连续的数字而不是年份可能在一行中，您可以稍微改进一下以提高准确性：\b[19|20]\d{2}\b。

标签： python parsing text

【解决方案1】：

您可以为此使用正则表达式。我希望酒名有相同的模式。

import re
exp = re.compile(r'\d{4}')
year_parse = list()
for name in df['title']:
      year = exp.findall(name)[0]
      year_parse.append(year)

year_parse 全年都在列表中。

【讨论】：