Python利用FlashText算法實現(xiàn)替換字符串
前言

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(fù)雜度僅由文本長度(N)決定,算法時間復(fù)雜度為O(N)。
而對于正則表達(dá)式的替換,算法時間復(fù)雜度還需要考慮被替換的關(guān)鍵詞數(shù)量(M),因此時間復(fù)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(dá)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(jìn)行字符串查找和替換,如果覺得對你的項目團(tuán)隊很有幫助,請記得幫作者轉(zhuǎn)發(fā)一下哦。
1.準(zhǔn)備
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(yùn)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(biāo)句子并提取相應(yīng)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(biāo)句子并提取相應(yīng)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(biāo)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(biāo)句子并提取相應(yīng)關(guān)鍵詞, 并標(biāo)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(dāng)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(rèn)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(xiàn)代碼
附 FlashText 與正則相比 查詢關(guān)鍵詞 所花費(fèi)的時間之比:

到此這篇關(guān)于Python利用FlashText算法實現(xiàn)替換字符串的文章就介紹到這了,更多相關(guān)Python替換字符串內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
pandas數(shù)據(jù)合并與重塑之merge詳解
這篇文章主要介紹了pandas數(shù)據(jù)合并與重塑之merge,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-02-02

