基于flashtext模塊使用FlashText算法進行字符串查找和替換

FlashText 算法是由 Vikash Singh 于2017年發(fā)表的大規(guī)模關(guān)鍵詞替換算法，這個算法的時間復雜度僅由文本長度（N）決定，算法時間復雜度為O（N）。

而對于正則表達式的替換，算法時間復雜度還需要考慮被替換的關(guān)鍵詞數(shù)量（M），因此時間復雜度為O（MxN）。

簡而言之， 基于FlashText算法的字符串替換比正則表達式替換快M倍以上，這個M是需要替換的關(guān)鍵詞數(shù)量，關(guān)鍵詞越多，F(xiàn)lashText算法的優(yōu)勢就越明顯 。

下面就給大家介紹如何在 Python 中基于 flashtext 模塊使用 FlashText 算法進行字符串查找和替換，如果覺得對你的項目團隊很有幫助，請記得幫作者轉(zhuǎn)發(fā)一下哦。

1.準備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒有，可以訪問這篇文章：超詳細Python安裝指南 進行安裝。

(可選1) 如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內(nèi)置了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點：Python 編程的最好搭檔—VSCode 詳細指南。

請選擇以下任一種方式輸入命令安裝依賴 ：

1. Windows 環(huán)境 打開 Cmd (開始-運行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install flashtext

2.基本使用

提取關(guān)鍵詞

一個最基本的提取關(guān)鍵詞的例子如下：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子并提取相應關(guān)鍵詞
keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')
# 4. 結(jié)果
print(keywords_found)
# ['New York', 'Bay Area']

其中** add_keyword **的第一個參數(shù)代表需要被查找的關(guān)鍵詞，第二個參數(shù)是給這個關(guān)鍵詞一個別名，如果找到了則以別名顯示。

替換關(guān)鍵詞

如果你想要替換關(guān)鍵詞，只需要調(diào)用處理器的** replace_keywords **函數(shù)：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('New Delhi', 'NCR region')
# 3. 替換關(guān)鍵詞
new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')
# 4. 結(jié)果
print(new_sentence)
# 'I love New York and NCR region.'

關(guān)鍵詞大小寫敏感

如果你需要精確提取，識別大小寫字母，那么你可以在處理器初始化的時候設(shè)定** sensitive **參數(shù):

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器, 注意設(shè)置大小寫敏感(case_sensitive)為TRUE
keyword_processor = KeywordProcessor(case_sensitive=True)
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子并提取相應關(guān)鍵詞
keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.')
# 4. 結(jié)果
print(keywords_found)
# ['Bay Area']

標記關(guān)鍵詞位置

如果你需要獲取關(guān)鍵詞在句子中的位置，在** extract_keywords的時候添加span_info=True **參數(shù)即可：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子并提取相應關(guān)鍵詞, 并標記關(guān)鍵詞的起始、終止位置
keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.', span_info=True)
# 4. 結(jié)果
print(keywords_found)
# [('New York', 7, 16), ('Bay Area', 21, 29)]

獲取目前所有的關(guān)鍵詞

如果你需要獲取當前已經(jīng)添加的所有關(guān)鍵詞，只需要調(diào)用處理器的** get_all_keywords **函數(shù)：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('j2ee', 'Java')
keyword_processor.add_keyword('colour', 'color')
# 3. 獲取所有關(guān)鍵詞
keyword_processor.get_all_keywords()
# output: {'colour': 'color', 'j2ee': 'Java'}

批量添加關(guān)鍵詞

批量添加關(guān)鍵詞有兩種方法，一種是通過詞典，一種是通過數(shù)組：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. （第一種）通過字典批量添加關(guān)鍵詞
keyword_dict = {
    "java": ["java_2e", "java programing"],
    "product management": ["PM", "product manager"]
}
keyword_processor.add_keywords_from_dict(keyword_dict)
# 2. （第二種）通過數(shù)組批量添加關(guān)鍵詞
keyword_processor.add_keywords_from_list(["java", "python"])
# 3. 第一種的提取效果如下
keyword_processor.extract_keywords('I am a product manager for a java_2e platform')
# output ['product management', 'java']

單一或批量刪除關(guān)鍵詞

刪除關(guān)鍵詞也非常簡單，和添加類似：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 通過字典批量添加關(guān)鍵詞
keyword_dict = {
    "java": ["java_2e", "java programing"],
    "product management": ["PM", "product manager"]
}
keyword_processor.add_keywords_from_dict(keyword_dict)
# 3. 提取效果如下
print(keyword_processor.extract_keywords('I am a product manager for a java_2e platform'))
# ['product management', 'java']
# 4. 單個刪除關(guān)鍵詞
keyword_processor.remove_keyword('java_2e')
# 5. 批量刪除關(guān)鍵詞，也是可以通過詞典或者數(shù)組的形式
keyword_processor.remove_keywords_from_dict({"product management": ["PM"]})
keyword_processor.remove_keywords_from_list(["java programing"])
# 6. 刪除了java programing關(guān)鍵詞后的效果如下
keyword_processor.extract_keywords('I am a product manager for a java_2e platform')
# ['product management']

3.高級使用

支持額外信息

前面提到在添加關(guān)鍵詞的時候第二個參數(shù)為其別名，其實你不僅可以指示別名，還可以將額外信息放到第二個參數(shù)中：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
kp = KeywordProcessor()
# 2. 添加關(guān)鍵詞并附帶額外信息
kp.add_keyword('Taj Mahal', ('Monument', 'Taj Mahal'))
kp.add_keyword('Delhi', ('Location', 'Delhi'))
# 3. 效果如下
kp.extract_keywords('Taj Mahal is in Delhi.')
# [('Monument', 'Taj Mahal'), ('Location', 'Delhi')]

這樣，在提取關(guān)鍵詞的時候，你還能拿到其他一些你想要在得到此關(guān)鍵詞時輸出的信息。

支持特殊單詞邊界

Flashtext 檢測的單詞邊界一般局限于 w [A-Za-z0-9_] 外的任意字符，但是如果你想添加某些特殊字符作為單詞的一部分也是可以實現(xiàn)的：

from flashtext import KeywordProcessor
# 1. 初始化關(guān)鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 添加關(guān)鍵詞
keyword_processor.add_keyword('Big Apple')
# 3. 正常效果
print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.'))
# ['Big Apple']
# 4. 將 '/' 作為單詞一部分
keyword_processor.add_non_word_boundary('/')
# 5. 優(yōu)化后的效果
print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.'))
# []

4.結(jié)尾

個人認為這個模塊已經(jīng)滿足我們的基本使用了，如果你有一些該模塊提供的功能之外的使用需求，可以給 flashtext 貢獻代碼：
https://github.com/vi3k6i5/flashtext

附 FlashText 與正則相比 查詢關(guān)鍵詞 所花費的時間之比：

附 FlashText 與正則相比 替換關(guān)鍵詞 所花費的時間之比：