Question

我有一个包含大约1000个关键字/短语（一到四个字长）的数据库表 - 这个表很少变化，所以我可以将数据提取到更有用的东西（比如正则表达式？） - 所以这不是查找/猜测基于自然语言处理的关键词..

然后我让用户在表格中输入一些文字，我想与我的关键词和短语进行匹配。

程序将存储指向文本旁边匹配的每个短语的链接。

因此，如果我们针对此处的一些短语对此问题文本运行算法，我们会得到如下结果：

{"inputting some text" : 1,
 "extract the data" : 1,
 "a phrase not here" : 0}

我有什么选择？

编译正则表达式
某种SQL查询
第三种方式？

请记住，有1000个可能的短语..

我正在使用MySQL运行Django / Python。

编辑：我目前正在这样做：

>>> text_input = "This is something with first phrase in and third phrase" 
>>> regex = "first phrase|second phrase|third phrase" 
>>> p = re.compile(regex, re.I) 
>>> p.findall(text_input)
['first phrase','third phrase']

Answer 1

此作业的算法为Aho-Corasick ...请参阅底部的链接，该链接指向Python的C扩展名。

Answer 2

如果我理解正确，你有一组独特的字符串，你想要比较输入字符串。在这种情况下，您可以使用set来存储处理结果和db值。然后比较可以如下进行：

>>> db = {'abc', 'def', 'jhi', 'asdf'}
>>> inpt = {'abc', 'tmp'}
>>> db & inpt
{'abc'}

进一步转换为字典是微不足道的。

Answer 3

只是抬头......你可能对django's support for regex in queries

感兴趣

来自链接的django文档的示例：

Entry.objects.get(title__regex=r'^(An?|The) +')

Answer 4

以下是SilentGhost答案的细微变化。您逐行加载关键字。将它们存放在一组中。对于在用户输入中找到的每个关键字，会增加结果中的相应条目。

keyword_file = StringIO("""inputting some text
    extract the data
    a phrase not here""")

keywords = set(line.strip() for line in keyword_file)

results = defaultdict(int)
for phrase in keywords:
    if userinput.find(phrase) != -1:
        results[phrase] += 1

print results

希望这能指出你正确的方向。不完全确定这是你问的问题，但这是我最好的猜测。

你关心速度吗？你为什么不喜欢你现在使用的方法？你的方法有用吗？

Answer 5

一旦你形成了你的模式，例如(first phrase)|(the second)|(and another)（ with 我指出的括号）并将其编译成正则表达式对象r，这是一个很好的循环方式匹配并确定它匹配的是：

class GroupCounter(object):
  def __init__(self, phrases):
    self.phrases = phrases
    self.counts = [0] * len(phrases)
  def __call__(self, mo):
    self.counts[mo.lastindex - 1] += 1
    return ''
  def asdict(self):
    return dict(zip(self.phrases, self.counts))

g = GroupCounter(['first phrase', 'the second', 'and another'])
r.sub(g, thetext)
print g.asdict()

让GroupCounter实例也构建正则表达式对象也是合理的，因为它确实需要与正则表达式本身中出现的顺序相同的短语列表。

Answer 6

如果您有1000个短语，并且您正在搜索输入字符串以查找哪些短语是子字符串，那么您可能不会对使用大型正则表达式所获得的性能感到满意。 trie需要更多的工作来实现，但效率更高：正则表达式a|b|c|d|e对给定输入字符串中的每个字符执行五次测试，而trie只执行一次。你可以想象也可以使用像Plex那样产生DFA的词法分析器。

修改

我今天早上好像在拖延。试试这个：

class Trie(object): def __init__(self): self.children = {} self.item = None def add(self, item, remainder=None): """Add an item to the trie.""" if remainder == None: remainder = item if remainder == "": self.item = item else: ch = remainder[0] if not self.children.has_key(ch): self.children[ch] = Trie() self.children[ch].add(item, remainder[1:]) def find(self, word): """Return True if word is an item in the trie.""" if not word: return True ch = word[0] if not self.children.has_key(ch): return False return self.children[ch].find(word[1:]) def find_words(self, word, results=None): """Find all items in the trie that word begins with.""" if results == None: results = [] if self.item: results.append(self.item) if not word: return results ch = word[0] if not self.children.has_key(ch): return results return self.children[ch].find_words(word[1:], results)

快速测试（words.txt是BSD单词文件，一个非常方便的东西 - 它包含大约240,000个单词）：

>>> t = Trie() >>> with open(r'c:\temp\words.txt', 'r') as f: for word in f: t.add(word.strip())

我的机器需要大约15秒钟。然而，这几乎是瞬间的：

>>> s = "I played video games in a drunken haze." >>> r = [] >>> for i in range(len(s)): r.extend(t.find_words(s[i:])) >>> r ['I', 'p', 'play', 'l', 'la', 'lay', 'a', 'ay', 'aye', 'y', 'ye', 'yed', 'e', 'd', 'v', 'video', 'i', 'id', 'ide', 'd', 'de', 'e', 'o', 'g', 'ga', 'gam', 'game', 'a', 'am', 'ame', 'm', 'me', 'e', 'es', 's', 'i', 'in', 'n', 'a', 'd', 'drunk', 'drunken', 'r', 'run', 'u', 'un', 'unken', 'n', 'k', 'ken', 'e', 'en', 'n', 'h', 'ha', 'haze', 'a', 'z', 'e']

是的，unken位于words.txt中。我不明白为什么。

哦，我确实尝试与正则表达式进行比较：

>>> import re >>> with open(r'c:\temp\words.txt', 'r') as f: p = "|".join([l.strip() for l in f]) >>> p = re.compile(p) Traceback (most recent call last): File "<pyshell#250>", line 1, in <module> p = re.compile(p) File "C:\Python26\lib\re.py", line 188, in compile return _compile(pattern, flags) File "C:\Python26\lib\re.py", line 241, in _compile p = sre_compile.compile(pattern, flags) File "C:\Python26\lib\sre_compile.py", line 529, in compile groupindex, indexgroup OverflowError: regular expression code size limit exceeded

匹配文本中存储的关键字/短语

6 个答案: