Question

我正在建立一个词汇词典，可以帮助我根据语音和拼写法查找英语单词。这本词典将帮助我找到我需要教孩子的英语单词的具体例子。

为此，我制作了一个包含大约200k字键的大型Python字典，其价值就是它们的语音。

要查找单词，例如，带有最终 -aK * e 字形的单词，其中K *将是任意数量的辅音，我可以使用正则表达式解析所有键。

然而，我认为实际映射单词会更加聪明，就像写在网格中一样。所以我可以“标记”所有最终字母为 -e 的单词，依此类推。因此，当我查找单词时，我可以简单地调用这些书签，并确保有一个点击，每次减少要解析的单词数量，因为我通过多个条件搜索，如上例所示。

我的策略真的有意义吗？或者正在使用正则表达式来实现它？

我没有时间编程，在我花费宝贵的时间打字之前，我想要一些专家建议。谢谢。

Answer 1

tries确实能够非常快速有效地回答这些问题。有点不清楚你是否总是从单词的结尾或从头开始搜索，但是如果两者都是一点点，那么你将不得不为两个方向构建尝试。如果你需要在中间找到匹配，那么trie都不会有帮助。

反向索引（如那些支持搜索引擎的索引）有时通过将单词存储为字符n-grams来解决此问题，然后在n-gram之间存储连接信息以构建单词。例如，'溢出'可能被分解为'ove'，'rfl'和'ow'，并且某些元数据存在于某处，注意到存在组合这三个n-gram的单词。以不同的方式分解每个单词可以实现前导和尾随通配符查询，尽管我在细节上模糊： - /

或者考虑这个事实，除非性能真正对此应用程序至关重要，否则使用正则表达式可能足够快（并且可能会进一步优化）字典大小，非常简单。使用80k字词典进行快速和肮脏的测试：

with open('dictionary.txt') as fin:
    words = fin.read().strip().split('\n')

import re
import time
expr = re.compile(r'a[^aeiouy]+e$', re.I)

# Of course, this extends easily to using a dictionary, too
def bench():
    start = -time.time()
    matches = [word for word in words if expr.search(word)]
    return start + time.time()

在我的电脑上花了大约50毫秒，为了简单明了地使用正则表达式和你有限的时间，我认为这是值得的。

映射字符串的功能是否有助于更快地解析字符串？

1 个答案: