探索AC自动机:多关键词搜索的原理与应用案例

电子说

1.3w人已加入

描述

引言

目前,大多数自由文本搜索技术采用类似于Lucene的策略,通过解析搜索文本为各个组成部分来定位关键词。这种方法在处理少量关键词时表现良好。但当搜索的关键词数量达到10万个或更多时,这种方法的效率会显著下降,尤其是在需要与词典进行详尽对比的场景中。本文将介绍的Aho-Corasick(AC)自动机作为多模式匹配中的经典算法,不仅能够处理大规模文本数据,还能确保搜索过程的实时性和准确性。

AC自动机:文本搜索的革命性工具

AC自动机可以被形象地比喻为一个超级找词机器。想象你手头有一本内容繁多的书籍和一份包含多个词语的列表,你的任务是快速找出所有这些词语在书中出现的位置。如果采用传统方法,即逐个词进行查找,工作量将会非常巨大。而AC自动机通过构建一种特殊的树状结构——前缀树或Trie,来极大地提升搜索效率。

AC自动机构建与搜索机制

构建前缀树(Trie)

AC自动机首先会根据所有关键词构建一个前缀树。这种树状结构的每个节点代表一个字母,并且每个字母都指向下一个可能的字母,从而形成一个连续的路径,表示一个或多个关键词的前缀

自动机

图片来源网络

失配指针(Fail指针)

在搜索过程中,如果当前路径上无法找到匹配的关键词,AC自动机会利用失配指针进行快速回溯。这些指针预先设置在树的每个节点上,指向其他可能的匹配路径,从而避免了从头开始搜索的低效性

自动机

图片来源网络

实时搜索与高效报告

AC自动机在读取文本的同时,能够快速地遍历前缀树结构。一旦发现关键词出现在文本中,它能够立即报告这个词及其出现的位置。这种能力使得AC自动机能够一次性高效完成大量关键词的搜索任务

自动机

图片来源网络

算法核心组件与复杂度

核心组件:

•goto(转跳):每个遇到的字符都会被提交给goto结构中的状态对象,以确定新的当前状态

•fail(失败转移):如果没有找到匹配状态,算法会触发fail并回溯至深度更浅的状态,从那里继续搜索

•output(输出):每当达到与整个关键词相匹配的状态时,该状态会被发送到输出集合中,完成扫描后即可读取这些匹配项

时间复杂度:

Aho-Corasick算法的时间复杂度为O(n),其中n是文本的长度。这意味着无论提供多少关键词,搜索的性能都将呈线性下降,与关键词的数量无关。

AC自动机的应用

AC自动机在多种场景下都能发挥重要作用,包括:

•在文本中查找并链接或突出显示关键词,提高信息的可检索性

•为纯文本添加语义,使文本内容更加丰富和有层次

•检查文本中的语法错误,通过与词典的对比来识别和纠正错误

应用案例:使用Aho-Corasick算法来识别和高亮HTML文本中的关键词

本Java程序将演示如何使用Aho-Corasick自动机库来搜索和高亮HTML文本中的关键词。程序首先构建一个自动状态机,该状态机被训练识别一系列中文关键词。然后,程序将处理HTML文档,查找这些关键词的出现,并用标签将它们包裹起来,以实现加粗显示的效果。

第一步:Maven依赖配置,引入Aho-Corasick自动机库

 

< dependency >
    < groupId >org.ahocorasick< /groupId >
    < artifactId >ahocorasick< /artifactId >
    < version >0.6.3< /version >
< /dependency >

 

第二步:代码实现

 

public class HighlightKeywordsInHtml {

   public static void main(String[] args) {
        // 定义HTML内容的字符串,包含了南京大学的介绍
        String htmlContent = createHtmlContentForNanjingUniversity();
        // 创建Aho-Corasick Trie的构建器实例
        Trie trie = buildAhoCorasickTrie();
        // 使用Trie实例处理HTML文本,获取匹配的Token集合
        Collection< Token > tokens = trie.tokenize(htmlContent);
        // 使用StringBuilder构建最终的HTML字符串,用于输出高亮的关键词
        StringBuilder html = new StringBuilder();
        html.append("< html >
< p >"); // 遍历Token集合 for (Token token : tokens) { // 如果Token匹配关键词,则添加标签以实现加粗效果 if (token.isMatch()) { html.append(""); } // 添加Token对应的文本片段 html.append(token.getFragment()); // 如果Token匹配关键词,结束标签 if (token.isMatch()) { html.append(""); } } // 完成HTML字符串的构建 html.append("< /p >< /body >< /html >"); // 打印最终的HTML字符串,其中包含高亮显示的关键词 System.out.println(html); } private static String createHtmlContentForNanjingUniversity() { // 此处添加创建南京大学HTML内容的方法实现 String speech = """ < !DOCTYPE html > < html lang="zh-CN" > < head > < meta charset="UTF-8" > < meta name="viewport" content="width=device-width, initial-scale=1.0" > < title >南京大学简介< /title > < style > body { font-family: "微软雅黑", "宋体", Arial, sans-serif; line-height: 1.6; color: #333; } .university-intro { text-align: justify; margin-bottom: 2em; padding: 1rem; background-color: #f5f5f5; border-radius: 5px; } < /style > < /head > < section class="university-intro" > < h1 >南京大学:百年名校,学术卓越< /h1 > < p >南京大学,简称“南大”,位于中国江苏省南京市,是中国最顶尖的高等学府之一,拥有百年的办学历史和深厚的文化底蕴。作为中国教育部直属的全国重点大学,南大以其卓越的学术成就和教育质量闻名于世。< /p > < p >南京大学以其强大的师资力量和学术研究而著称,提供多元化的学科教育,包括自然科学、人文社会科学、工程技术等多个领域。学校注重培养学生的创新能力和国际视野,为国家和社会培养了大量杰出人才。< /p > < p >南大校园环境优美,历史与现代交融,是学术研究和知识探索的理想场所。学校在计算机科学、地球科学、化学等学科领域具有国际领先水平,并在推动科学技术进步和文化传承方面发挥着重要作用。< /p > < /section > < /body > < /html > """; return speech; } private static Trie buildAhoCorasickTrie() { return Trie.builder() .ignoreOverlaps() // 设置不捕获重叠的关键词 .onlyWholeWords() // 仅匹配完整的单词 .ignoreCase() // 忽略关键词的大小写 .addKeywords(Arrays.asList("南京大学", "南大", "地球科学")) .build(); // 构建Trie实例 } }

 

第三步:运行程序,符合预期

 

< html >
< p >< !DOCTYPE html > < html lang="zh-CN" > < head > < meta charset="UTF-8" > < meta name="viewport" content="width=device-width, initial-scale=1.0" > < title >南京大学简介< /title > < style > body { font-family: "微软雅黑", "宋体", Arial, sans-serif; line-height: 1.6; color: #333; } .university-intro { text-align: justify; margin-bottom: 2em; padding: 1rem; background-color: #f5f5f5; border-radius: 5px; } < /style > < /head > < section class="university-intro" > < h1 >南京大学:百年名校,学术卓越< /h1 > < p >南京大学,简称“南大”,位于中国江苏省南京市,是中国最顶尖的高等学府之一,拥有百年的办学历史和深厚的文化底蕴。作为中国教育部直属的全国重点大学,南大以其卓越的学术成就和教育质量闻名于世。< /p > < p >南京大学以其强大的师资力量和学术研究而著称,提供多元化的学科教育,包括自然科学、人文社会科学、工程技术等多个领域。学校注重培养学生的创新能力和国际视野,为国家和社会培养了大量杰出人才。< /p > < p >南大校园环境优美,历史与现代交融,是学术研究和知识探索的理想场所。学校在计算机科学、地球科学、化学等学科领域具有国际领先水平,并在推动科学技术进步和文化传承方面发挥着重要作用。< /p > < /section > < /body > < /html > < /p >< /body >< /html >

 

本文对Aho-Corasick(AC)自动机算法进行了抛砖引玉,揭示了其在处理大规模文本数据方面的卓越性能和应用潜力。若你渴望深入挖掘AC算法的精髓,进一步探索其高级应用和实现细节,建议参考以下的参考资料进行进一步的学习与挖掘。

参考资料

1. http://cr.yp.to/bib/1975/aho.pdf

2. https://github.com/robert-bor/aho-corasick

审核编辑 黄宇

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分