Re: [SAde] RE-Nachhilfe, HTML-Tags (Lösung)

Am Mittwoch 15 Oktober 2003 23:21 schrieb Wolfram Schroeder:
> Ingo Wiarda schrieb:
> >
> > 4. Email-Adressen der Form "Joe Meier" <[email protected]>
> > (kommt theoretisch irgendwann mal vor)
> >
> > 5. <> bzw. <\s*> wird auch gematcht. Ist das Absicht?
> >

> 4. Kommen tatsächlich in Mails solche Mailadressen vor? Die RE würde
> eventuell ziemlich lahm werden, wenn ich das berücksichtigen müsste,
> vielleicht durch eine zusätzliche Alternative \w+\@[a-z0-9-.]{5,} - oder
> hast Du diese Form nur in From: und To: gefunden?

Ist mir einmal vorgekommen, hatte jemand in seiner Signatur. Aber praktisch 
kann man das vernachlässigen.

> 5. kann ich nicht nachvollziehen? <> und <  > matchen beide, die
> Tagnamen sind ja nicht optional?

Solange man nur HTML-Mails mit der Regel bearbeitet, ist auch alles in 
Ordnung. Ansonsten gibt es natürlich Fälle, in denen jemand HTML-<STDIN> oder 
<> nicht für HTML verwendet wird.

Abgesehen von diesen Nebensächlichkeiten ist die Regex gut, mal sehen wie viel 
die Optimierung noch bringt.

> Wenn Du schon ein script hast, kannst Du bestimmt ein "time " vor Deinen
> Aufruf setzen und mir Vergleichswerte für die Geschwindigkeit bei der RE
> oben und meinem Standardbeispiel /(?:top.{0,10}|sonder)aktion/i nennen?
> Später könnten wir vielleicht auch ein definitives Urteil über
> Optimierungen fällen, wäre nett!

Benchmark: timing 20 iterations of reg1, reg2, sonder_aktion...
      reg1: 197 wallclock secs (167.91 usr + 14.74 sys = 182.65 CPU) @  0.11/s 
(n=20)
      reg2: 177 wallclock secs (143.01 usr + 14.25 sys = 157.26 CPU) @  0.13/s 
(n=20)
sonder_aktion: 659 wallclock secs (586.35 usr + 17.45 sys = 603.80 CPU) @  
0.03/s (n=20)
              s/iter sonder_aktion          reg1          reg2
sonder_aktion   30.2            --          -70%          -74%
reg1            9.13          231%            --          -14%
reg2            7.86          284%           16%            --


Reg1 ist die alte, Reg2 die neue Regex mit den XML/<!-- Tests.
sonder_aktion ist Dein Standardbeispiel.

Datenbasis:
ca. 8000 Mails, 3000 davon Spam (inkl. SpamAssassin-rewrite-Vorspann). Die 
Regexes wurden auf den kompletten Nachrichtentext angewendet (alles nach dem 
ersten  ^Subject: ). Im Normalfall würde man das natürlich abkürzen, indem 
man nach einem Match abbricht und den entsprechenden Score vergibt.

Bei Bedarf kann ich das Testskript online stellen.

Ingo

-- 
http://dewarim.de



-------------------------------------------------------
This SF.net email is sponsored by: SF.net Giveback Program.
SourceForge.net hosts over 70,000 Open Source Projects.
See the people who have HELPED US provide better services:
Click here: http://sourceforge.net/supporters.php