URL的最长前缀匹配

Question

我需要有关任何标准python包的信息，这些包可用于URL上的“最长前缀匹配”。我已经完成了两个标准包http://packages.python.org/PyTrie/#pytrie.StringTrie＆amp; 'http://pypi.python.org/pypi/trie/0.1.1'但它们似乎对URL上的最长前缀匹配任务没有用。

检查，如果我的设置包含以下网址1-＆gt; http：//www.google.com/mail，2-＆gt; http：//www.google.com/document,3-＆gt; http：/ /www.facebook.com等。

现在，如果我搜索“http://www.google.com/doc”，则应返回2并搜索“http：//www.face”应返回3.

我想确认是否有任何标准的python包可以帮助我这样做，或者我应该为前缀匹配实现Trie。

我不是在寻找一种正则表达式的解决方案，因为随着URL数量的增加它不可扩展。

非常感谢。

Answer 1

性能比较

suffixtree与pytrie对比trie与datrie对比startswith -functions

设置

记录的时间是3次重复1000次搜索中的最短时间。包括建筑时间并在所有搜索中传播。搜索是在1到1000000个项目的主机名集合上执行的。

三种类型的搜索字符串：

• non_existent_key - 字符串
不匹配
• rare_key - 约百万分之20
• frequent_key - 出现次数与集合大小相当

结果

百万网址的最大内存消耗：

| function    | memory, | ratio |
|             |     GiB |       |
|-------------+---------+-------|
| suffix_tree |   0.853 |   1.0 |
| pytrie      |   3.383 |   4.0 |
| trie        |   3.803 |   4.5 |
| datrie      |   0.194 |   0.2 |
| startswith  |   0.069 |   0.1 |
#+TBLFM: $3=$2/@3$2;%.1f

要重现结果run the trie benchmark code。

• rare_key / nonexistent_key case

  如果网址数小于10000，那么datrie是最快的 N> 10000 - suffixtree更快，startwith平均显着较慢。

• 轴：

  • 垂直（时间）刻度是~1秒（2 ** 20微秒）
  • 横轴表示每种情况下的网址总数：N = 1,10,100,1000,10000,100000和1000000（百万）。

• frequent_key

  最高N = 100000 datrie是最快的（时间为百万网址） 由建造时间占主导地位。）

  找到匹配项中最长的匹配时间最长。所以所有函数的行为都与预期的相似。

startswith - 时间表现与密钥类型无关。

trie和pytrie表现得彼此相似。

没有施工时间的性能

• datrie - 最快，最体面的内存消耗

• startswith在这里处于劣势，因为其他方法不会因为构建特里的时间而受到惩罚。

• datrie，pytrie，trie - 稀有/非现有密钥几乎为O（1）（常数时间）

拟合（近似）已知函数的多项式以进行比较（与图中相同的对数/对数刻度）：

| Fitting polynom              | Function          |
|------------------------------+-------------------|
| 0.15  log2(N)   +      1.583 | log2(N)           |
| 0.30  log2(N)   +      3.167 | log2(N)*log2(N)   |
| 0.50  log2(N)   +  1.111e-15 | sqrt(N)           |
| 0.80  log2(N)   +  7.943e-16 | N**0.8            |
| 1.00  log2(N)   +  2.223e-15 | N                 |
| 2.00  log2(N)   +  4.446e-15 | N*N               |

Answer 2

此示例适用于小网址列表但不能很好地扩展。

def longest_prefix_match(search, urllist):
    matches = [url for url in urllist if url.startswith(search)]
    if matches:
        return max(matches, key=len)
    else:
        raise Exception("Not found")

使用trie模块的实现。

import trie


def longest_prefix_match(prefix_trie, search):
    # There may well be a more elegant way to do this without using
    # "hidden" method _getnode.
    try:
        return list(node.value for node in prefix_trie._getnode(search).walk())
    except KeyError:
        return list()

url_list = [ 
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

url_trie = trie.Trie()

for url in url_list:
    url_trie[url] = url 

searches = ("http", "http://www.go", "http://www.fa", "http://fail")

for search in searches:
    print "'%s' ->" % search, longest_prefix_match(url_trie, search)

结果：

'http' -> ['http://www.facebook.com', 'http://www.google.com/document', 'http://www.google.com/mail']
'http://www.go' -> ['http://www.google.com/document', 'http://www.google.com/mail']
'http://www.fa' -> ['http://www.facebook.com']
'http://fail' -> []

或使用PyTrie给出相同的结果，但列表的排序方式不同。

from pytrie import StringTrie


url_list = [ 
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

url_trie = StringTrie()

for url in url_list:
    url_trie[url] = url 

searches = ("http", "http://www.go", "http://www.fa", "http://fail")

for search in searches:
    print "'%s' ->" % search, url_trie.values(prefix=search)

从内存使用的角度来看，我开始认为radix tree / patricia tree会更好。这就是基数树的样子：

而trie看起来更像：

Answer 3

以下函数将返回最长匹配的索引。其他有用的信息也可以很容易地被提取出来。

from os.path import commonprefix as oscp

def longest_prefix(s, slist):
    pfx_idx = ((oscp([s, url]), i) for i, url in enumerate(slist))
    len_pfx_idx = map(lambda t: (len(t[0]), t[0], t[1]), pfx_idx)
    length, pfx, idx = max(len_pfx_idx)
    return idx

slist = [
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

print(longest_prefix('http://www.google.com/doc', slist))
print(longest_prefix('http://www.face', slist))

Answer 4

如果您愿意为时间性能交易RAM，那么SuffixTree可能会有用。它具有很好的算法属性，例如它允许在线性时间内解决最长的常见子串问题。

如果您总是搜索前缀而不是任意子字符串，那么您可以在填充SubstringDict()时添加唯一的前缀：

from SuffixTree import SubstringDict

substr_dict = SubstringDict()
for url in URLS: # urls must be ascii (valid urls are)
    assert '\n' not in url
    substr_dict['\n'+url] = url #NOTE: assume that '\n' can't be in a url

def longest_match(url_prefix, _substr_dict=substr_dict):
    matches = _substr_dict['\n'+url_prefix]
    return max(matches, key=len) if matches else ''

SuffixTree的这种用法似乎不是最理想的，但它比@StephenPaulger's solution [基于SubstringDict()]快20到20倍（没有.startswith()的构建时间）关于我试过的数据，它可能已经足够了。

要安装SuffixTree，请运行：

pip install SuffixTree -f https://hkn.eecs.berkeley.edu/~dyoo/python/suffix_trees