Python利用FlashText演演算法實現替換字串

2022-03-31 13:02:13

前言

FlashText 演演算法是由 Vikash Singh 於2017年發表的大規模關鍵詞替換演演算法，這個演演算法的時間複雜度僅由文字長度（N）決定，演演算法時間複雜度為O（N）。

而對於正規表示式的替換，演演算法時間複雜度還需要考慮被替換的關鍵詞數量（M），因此時間複雜度為O（MxN）。

簡而言之，基於FlashText演演算法的字串替換比正規表示式替換快M倍以上，這個M是需要替換的關鍵詞數量，關鍵詞越多，FlashText演演算法的優勢就越明顯。

下面就給大家介紹如何在 Python 中基於 flashtext 模組使用 FlashText 演演算法進行字串查詢和替換，如果覺得對你的專案團隊很有幫助，請記得幫作者轉發一下哦。

1.準備

請選擇以下任一種方式輸入命令安裝依賴：

1. Windows 環境開啟 Cmd (開始-執行-CMD)。

2. MacOS 環境開啟 Terminal (command+空格輸入Terminal)。

3. 如果你用的是 VSCode編輯器或 Pycharm，可以直接使用介面下方的Terminal.

pip install flashtext

2.基本使用

提取關鍵詞

一個最基本的提取關鍵詞的例子如下：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 新增關鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子並提取相應關鍵詞
keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')
# 4. 結果
print(keywords_found)
# ['New York', 'Bay Area']

其中 add_keyword 的第一個引數代表需要被查詢的關鍵詞，第二個引數是給這個關鍵詞一個別名，如果找到了則以別名顯示。

替換關鍵詞

如果你想要替換關鍵詞，只需要呼叫處理器的 replace_keywords 函數：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 新增關鍵詞
keyword_processor.add_keyword('New Delhi', 'NCR region')
# 3. 替換關鍵詞
new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.')
# 4. 結果
print(new_sentence)
# 'I love New York and NCR region.'

關鍵詞大小寫敏感

如果你需要精確提取，識別大小寫字母，那麼你可以在處理器初始化的時候設定 sensitive 引數:

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器, 注意設定大小寫敏感(case_sensitive)為TRUE
keyword_processor = KeywordProcessor(case_sensitive=True)
# 2. 新增關鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子並提取相應關鍵詞
keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.')
# 4. 結果
print(keywords_found)
# ['Bay Area']

標記關鍵詞位置

如果你需要獲取關鍵詞在句子中的位置，在 extract_keywords 的時候新增 span_info=True 引數即可：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 新增關鍵詞
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 處理目標句子並提取相應關鍵詞, 並標記關鍵詞的起始、終止位置
keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.', span_info=True)
# 4. 結果
print(keywords_found)
# [('New York', 7, 16), ('Bay Area', 21, 29)]

獲取目前所有的關鍵詞

如果你需要獲取當前已經新增的所有關鍵詞，只需要呼叫處理器的 get_all_keywords 函數：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 新增關鍵詞
keyword_processor.add_keyword('j2ee', 'Java')
keyword_processor.add_keyword('colour', 'color')
# 3. 獲取所有關鍵詞
keyword_processor.get_all_keywords()
# output: {'colour': 'color', 'j2ee': 'Java'}

批次新增關鍵詞

批次新增關鍵詞有兩種方法，一種是通過詞典，一種是通過陣列：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. （第一種）通過字典批次新增關鍵詞
keyword_dict = {
    "java": ["java_2e", "java programing"],
    "product management": ["PM", "product manager"]
}
keyword_processor.add_keywords_from_dict(keyword_dict)
# 2. （第二種）通過陣列批次新增關鍵詞
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']

單一或批次刪除關鍵詞

刪除關鍵詞也非常簡單，和新增類似：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 通過字典批次新增關鍵詞
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. 單個刪除關鍵詞
keyword_processor.remove_keyword('java_2e')
# 5. 批次刪除關鍵詞，也是可以通過詞典或者陣列的形式
keyword_processor.remove_keywords_from_dict({"product management": ["PM"]})
keyword_processor.remove_keywords_from_list(["java programing"])
# 6. 刪除了java programing關鍵詞後的效果如下
keyword_processor.extract_keywords('I am a product manager for a java_2e platform')
# ['product management']

3.高階使用

支援額外資訊

前面提到在新增關鍵詞的時候第二個引數為其別名，其實你不僅可以指示別名，還可以將額外資訊放到第二個引數中：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
kp = KeywordProcessor()
# 2. 新增關鍵詞並附帶額外資訊
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，在提取關鍵詞的時候，你還能拿到其他一些你想要在得到此關鍵詞時輸出的資訊。

支援特殊單詞邊界

Flashtext 檢測的單詞邊界一般侷限於 w [A-Za-z0-9_] 外的任意字元，但是如果你想新增某些特殊字元作為單詞的一部分也是可以實現的：

from flashtext import KeywordProcessor
# 1. 初始化關鍵字處理器
keyword_processor = KeywordProcessor()
# 2. 新增關鍵詞
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. 優化後的效果
print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.'))
# []