比正则快N倍!这个库简直太香了!

FlashText 算法是由 Vikash Singh 于2017年发表的大规模关键词替换算法,这个算法的时间复杂度仅由文本长度(N)决定,算法时间复杂度为O(N)。

而对于正则表达式的替换,算法时间复杂度还需要考虑被替换的关键词数量(M),因此时间复杂度为O(MxN)。

简而言之,基于FlashText算法的字符串替换比正则表达式替换快M倍以上,这个M是需要替换的关键词数量,关键词越多,FlashText算法的优势就越明显。

下面就给大家介绍如何在 Python 中基于 flashtext 模块使用 FlashText 算法进行字符串查找和替换,如果觉得对你的项目团队很有帮助,请记得帮作者转发一下哦。

1.准备

开始之前,你要确保Python和pip已经成功安装在电脑上,如果没有,可以访问这篇文章:超详细Python安装指南 进行安装。

(可选1) 如果你用Python的目的是数据分析,可以直接安装Anaconda:Python数据分析与挖掘好帮手—Anaconda,它内置了Python和pip.

(可选2) 此外,推荐大家用VSCode编辑器,它有许多的优点:Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖:

  • Windows 环境 打开 Cmd (开始-运行-CMD)。
  • MacOS 环境 打开 Terminal (command+空格输入Terminal)。
  • 如果你用的是 VSCode编辑器 或 Pycharm,可以直接使用界面下方的Terminal。
 
 
 
 
  1. pip install flashtext

2.基本使用

提取关键词

一个最基本的提取关键词的例子如下:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('Big Apple', 'New York') 
  6. keyword_processor.add_keyword('Bay Area') 
  7. # 3. 处理目标句子并提取相应关键词 
  8. keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.') 
  9. # 4. 结果 
  10. print(keywords_found) 
  11. # ['New York', 'Bay Area']

其中 add_keyword 的第一个参数代表需要被查找的关键词,第二个参数是给这个关键词一个别名,如果找到了则以别名显示。

替换关键词

如果你想要替换关键词,只需要调用处理器的 replace_keywords 函数:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('New Delhi', 'NCR region')
  6. # 3. 替换关键词 
  7. new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.') 
  8. # 4. 结果 
  9. print(new_sentence) 
  10. # 'I love New York and NCR region.'

关键词大小写敏感

如果你需要精确提取,识别大小写字母,那么你可以在处理器初始化的时候设定 sensitive 参数:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器, 注意设置大小写敏感(case_sensitive)为TRUE 
  3. keyword_processor = KeywordProcessor(case_sensitive=True) 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('Big Apple', 'New York') 
  6. keyword_processor.add_keyword('Bay Area') 
  7. # 3. 处理目标句子并提取相应关键词 
  8. keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.') 
  9. # 4. 结果 
  10. print(keywords_found) 
  11. # ['Bay Area']

标记关键词位置

如果你需要获取关键词在句子中的位置,在 extract_keywords 的时候添加 span_info=True 参数即可:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('Big Apple', 'New York') 
  6. keyword_processor.add_keyword('Bay Area') 
  7. # 3. 处理目标句子并提取相应关键词, 并标记关键词的起始、终止位置 
  8. keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.', span_info=True) 
  9. # 4. 结果 
  10. print(keywords_found) 
  11. # [('New York', 7, 16), ('Bay Area', 21, 29)]

获取目前所有的关键词

如果你需要获取当前已经添加的所有关键词,只需要调用处理器的 get_all_keywords 函数:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('j2ee', 'Java') 
  6. keyword_processor.add_keyword('colour', 'color') 
  7. # 3. 获取所有关键词 
  8. keyword_processor.get_all_keywords() 
  9. # output: {'colour': 'color', 'j2ee': 'Java'}

批量添加关键词

批量添加关键词有两种方法,一种是通过词典,一种是通过数组:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. (第一种)通过字典批量添加关键词 
  5. keyword_dict = { 
  6.     "java": ["java_2e", "java programing"], 
  7.     "product management": ["PM", "product manager"] 
  8. keyword_processor.add_keywords_from_dict(keyword_dict) 
  9. # 2. (第二种)通过数组批量添加关键词 
  10. keyword_processor.add_keywords_from_list(["java", "python"]) 
  11. # 3. 第一种的提取效果如下 
  12. keyword_processor.extract_keywords('I am a product manager for a java_2e platform') 
  13. # output ['product management', 'java']

单一或批量删除关键词

删除关键词也非常简单,和添加类似:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 通过字典批量添加关键词 
  5. keyword_dict = { 
  6.     "java": ["java_2e", "java programing"], 
  7.     "product management": ["PM", "product manager"] 
  8. keyword_processor.add_keywords_from_dict(keyword_dict) 
  9. # 3. 提取效果如下 
  10. print(keyword_processor.extract_keywords('I am a product manager for a java_2e platform')) 
  11. # ['product management', 'java'] 
  12. # 4. 单个删除关键词 
  13. keyword_processor.remove_keyword('java_2e') 
  14. # 5. 批量删除关键词,也是可以通过词典或者数组的形式 
  15. keyword_processor.remove_keywords_from_dict({"product management": ["PM"]}) 
  16. keyword_processor.remove_keywords_from_list(["java programing"]) 
  17. # 6. 删除了java programing关键词后的效果如下 
  18. keyword_processor.extract_keywords('I am a product manager for a java_2e platform') 
  19. # ['product management']

3.高级使用

支持额外信息

前面提到在添加关键词的时候第二个参数为其别名,其实你不仅可以指示别名,还可以将额外信息放到第二个参数中:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. kp = KeywordProcessor() 
  4. # 2. 添加关键词并附带额外信息 
  5. kp.add_keyword('Taj Mahal', ('Monument', 'Taj Mahal')) 
  6. kp.add_keyword('Delhi', ('Location', 'Delhi')) 
  7. # 3. 效果如下 
  8. kp.extract_keywords('Taj Mahal is in Delhi.') 
  9. # [('Monument', 'Taj Mahal'), ('Location', 'Delhi')]

这样,在提取关键词的时候,你还能拿到其他一些你想要在得到此关键词时输出的信息。

支持特殊单词边界

Flashtext 检测的单词边界一般局限于 \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为单词的一部分也是可以实现的:

 
 
 
 
  1. from flashtext import KeywordProcessor 
  2. # 1. 初始化关键字处理器 
  3. keyword_processor = KeywordProcessor() 
  4. # 2. 添加关键词 
  5. keyword_processor.add_keyword('Big Apple') 
  6. # 3. 正常效果 
  7. print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.')) 
  8. # ['Big Apple'] 
  9. # 4. 将 '/' 作为单词一部分 
  10. keyword_processor.add_non_word_boundary('/') 
  11. # 5. 优化后的效果 
  12. print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.')) 
  13. # []

4.结尾

个人认为这个模块已经满足我们的基本使用了,如果你有一些该模块提供的功能之外的使用需求,可以给 flashtext 贡献代码:

https://github.com/vi3k6i5/flashtext

附 FlashText 与正则相比 查询关键词 所花费的时间之比:

附 FlashText 与正则相比 替换关键词 所花费的时间之比:

分享题目:比正则快N倍!这个库简直太香了!
URL地址:http://www.shufengxianlan.com/qtweb/news6/365206.html

网站建设、网络推广公司-创新互联,是专注品牌与效果的网站制作,网络营销seo公司;服务项目有等

广告

声明:本网站发布的内容(图片、视频和文字)以用户投稿、用户转载内容为主,如果涉及侵权请尽快告知,我们将会在第一时间删除。文章观点不代表本网站立场,如需处理请联系客服。电话:028-86922220;邮箱:631063699@qq.com。内容未经允许不得转载,或转载时需注明来源: 创新互联