这个算法可以怎么优化？

[xu33]

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

[denonw]

ac 自动机？

[gamexg]

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

[hxndg]

@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。

[hxndg]

@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

[xu33]

@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

[hxndg]

@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

[zix]

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。

[hand515]

前缀树匹配(Double Array Trie) 搜索下这个算法

[gamexg]

@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。

[sampeng]

感觉很像敏感词过滤= =！哈哈哈哈。
前缀匹配应该基本够使了

[denonw]

@hxndg 额。我理解的这种匹配基本都要遍历一遍文本吧。。。

[sampeng]

@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

[hxndg]

@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

[hustlike]

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。

[hxndg]

@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。

[gamexg]

@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 。

[Cooky]

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？

[ic2y]

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。

[sampeng]

@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

[jesusRui]

直接 linux sed ？？

[ZSeptember]

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。

[troycheng]

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

[zjsxwc]

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

[guyskk]

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'
>>>
```

[hxndg]

@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