Python利用FlashText算法實現(xiàn)替換字符串

更新時間：2022年03月31日 11:23:29 作者：Python實用寶典

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，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。本文將詳細這一算法，需要的可以參考一下

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

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定 sensitive 參數(shù):

from?flashtext?import?KeywordProcessor
# 1. 初始化關(guān)鍵字處理器, 注意設置大小寫敏感(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.'))
# []