首页   注册   登录
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX  ›  程序员

这个算法可以怎么优化?

  •  
  •   xu33 · 2017-07-31 09:33:54 +08:00 · 3108 次点击
    这是一个创建于 810 天前的主题,其中的信息可能已经有所发展或是发生改变。

    有一段文本 要在几万个关键词里搜索 然后替换成固定格式

    我现在是遍历这几万个关键词 依次在给定文本中查找和替换 但是效率很低

    求优化算法

    25 回复  |  直到 2017-07-31 14:12:21 +08:00
        1
    denonw   2017-07-31 09:42:00 +08:00 via iPhone
    ac 自动机?
        2
    gamexg   2017-07-31 09:53:59 +08:00
    今天刚收到邮件:
    小时到分钟 - 一步步优化巨量关键词的匹配
    http://www.cnblogs.com/zhenbianshu/p/7197349.html?f=tt&hmsr=toutiao.io&utm_medium=toutiao.io&utm_source=toutiao.io
        3
    hxndg   2017-07-31 09:54:46 +08:00
    @denonw 多匹配是不是用的字典树?记得不是很轻,但是无论如何文本都得遍历一遍。
        4
    hxndg   2017-07-31 09:56:37 +08:00   ♥ 2
    @gamexg 忽然有点感叹,很多程序员并不知道学术界已经对很多问题总结出了优化算法啊,很多都是在闭门造车啊
        5
    xu33   2017-07-31 10:04:13 +08:00
    @hxndg 我知道 trie 树和 KMP 算法 但这个多模式匹配的 AC 自动机确实没听过

    不过因为这是个比较常见的问题 直觉上感觉应该有成熟算法 上来问问果然有收获
        6
    hxndg   2017-07-31 10:11:31 +08:00
    @xu33 我没有说你哈,我只是看到那个帖子下面一大堆人不太清楚这个感觉很迷。我记得 KMP 算法实际上就是 AC 自动机的一种吧,你如果想看字符串匹配方面的东西我建议你看看 algorithms on string,trees and sequence。可能有你想要的答案
        7
    zix   2017-07-31 10:42:45 +08:00
    https://github.com/WojciechMula/pyahocorasick/

    看你的文本长度。我用这个来做疾病的抽取,共有 2w 多个疾病术语,百字量级的文本上(包含 1 到 10 个疾病),耗时接近但不到 1ms。
        8
    hand515   2017-07-31 10:43:27 +08:00
    前缀树匹配(Double Array Trie) 搜索下这个算法
        9
    gamexg   2017-07-31 11:05:25 +08:00
    @hxndg #4 应该是知道的都不回复了吧?
    以前看过多篇关键字匹配的文章(虽然细节都不记得了),收到这个打开瞄了一眼就关了,别说回复了。
        10
    sampeng   2017-07-31 11:38:55 +08:00
    感觉很像敏感词过滤= =!哈哈哈哈。
    前缀匹配应该基本够使了
        11
    denonw   2017-07-31 11:41:26 +08:00
    @hxndg 额。我理解的这种匹配基本都要遍历一遍文本吧。。。
        12
    sampeng   2017-07-31 11:45:55 +08:00
    @denonw 几万个关键词。如果是暴力扫描,最坏情况是几万次遍历。所以得用算法来解决
        13
    hxndg   2017-07-31 11:50:55 +08:00
    @gamexg 是的,但是那个帖子里很多人并不清楚这一点。还有人使用数据库等等做操作,但是底层也是基本的算法原理不太清楚,所以才有了那个尴尬的感叹
        14
    hustlike   2017-07-31 11:51:09 +08:00
    你有代码吗?如果有代码更好给意见。如果是搜索词库的速度太慢,可以考虑用 hashmap。
        15
    hxndg   2017-07-31 11:52:34 +08:00
    @sampeng
    denow 的意思就是用算法来找的,但是无论怎么找都是要遍历文本的,这点避不开。
        16
    gamexg   2017-07-31 12:36:49 +08:00
    @hxndg #13 手里有锤子看见什么都像钉子...
    面向 google 编程可解,Google 大量 关键字 匹配 ,第一个就是 关键字过虑实现的思路及 Aho – Corasick 高效字符串匹配算法应用 。
        17
    Cooky   2017-07-31 12:44:30 +08:00 via Android
    给文本分词,关键词做成字典,然后分出来的词在字典里找有没有,这种咧?
        18
    ic2y   2017-07-31 12:58:13 +08:00
    将这“几万关键字 /词语” 生成自动机模型。 自动机的入口用 hash 表进行组织。

    然后对 这段文本逐字进行扫描,用 hash 表发现入口,就进入自动机判定。否则,就继续线性扫描。
        19
    sampeng   2017-07-31 13:02:36 +08:00
    @hxndg 我理解他的意思是忘了算那几万个关继字。。
    当然,搜索最少一次是要遍历是跑不掉的
        20
    jesusRui   2017-07-31 13:21:14 +08:00
    直接 linux sed ??
        21
    ZSeptember   2017-07-31 13:27:52 +08:00
    本来觉的楼上的分词可以,就看分词的性能了。然后仔细想想,虽然不是做 NLP 的,但是分词肯定也是要用到前缀树的吧。
    所以,还是裸的前缀树吧。
        22
    troycheng   2017-07-31 13:31:13 +08:00
    ac 自动机足够好用了,扫描文本的过程中就可以完成多模匹配了,替换也就是顺手加一行的事情
        23
    zjsxwc   2017-07-31 13:39:51 +08:00
    单独开个机器作为敏感词过滤服务,使用 Trie 树,推荐这个 go 写的项目,https://github.com/huayuego/wordfilter
        24
    guyskk   2017-07-31 13:42:08 +08:00
    把关键词构造成一个正则表达式,然后调用正则的 API 直接替换
    ```
    >>> import re
    >>> kws = ['几万', '关键词', '查找', '替换']
    >>> r = '|'.join(kws)
    >>> text = """
    ... 有一段文本 要在几万个关键词里搜索 然后替换成固定格式
    ...
    ... 我现在是遍历这几万个关键词 依次在给定文本中查找和替换 但是效率很低
    ...
    ... 求优化算法
    ... """
    >>> re.sub(r, '[马赛克]', text)
    '\n 有一段文本 要在[马赛克]个[马赛克]里搜索 然后[马赛克]成固定格式\n\n 我现在是遍历这[马赛克]个[马赛克] 依次在给定文本中[马赛克]和[马赛克] 但是效率很低\n\n 求优化算法\n'
    >>>
    ```
        25
    hxndg   2017-07-31 14:12:21 +08:00
    @gamexg
    我倒没觉得“看什么都是钉子”有什么问题,如果旧有的工具能够满足性能需求,追求新方法未必是好的,毕竟不是系统瓶颈。。。
    毕竟这么久了字符串算法还是就那么几个,手动斜眼
    关于   ·   FAQ   ·   API   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   2387 人在线   最高记录 5043   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.3 · 26ms · UTC 03:04 · PVG 11:04 · LAX 20:04 · JFK 23:04
    ♥ Do have faith in what you're doing.