正则表达式太慢？这里有一个提速100倍的方案

“当遇到一个文本处理问题时，如果你在第一时间想到了正则表达式，那么恭喜你，你的问题从一个变成了俩！“

 

如果你曾参与过文本数据分析，正则表达式（Regex）对你来说一定不陌生。词库索引、关键词替换……正则表达式的强大功能使其成为了文本处理的必备工具。然而， 在处理大文本的情境下，正则表达式的低效率却常常让人抓耳挠腮。今天，文摘菌将为你介绍一款比正则表达式快数百倍的Python库——FlashText。

 

 

让人抓狂的数据清洗工作

 

 

即便是最简单的文本分析，我们在进入正式分析之前也需要对文本作出数据清洗。清洗的工作往往涉及到搜索和替换关键词。例如，查询文本中是否出现““Python”这一关键词，或是将所有“python“都替换成”“Python”。如果仅有数百个被搜索和被替换的关键词，正则表达式处理起来会很快。但在自然语言处理任务中，有数万关键词的语料库和数百万的文档早已是家常便饭。这种情况下，运行正则表达式的时间就往往要以“天“来作计数单位了。

 

吓哭了的文摘菌

 

当然了，你会觉得并行运算能够解决这一问题，但实际上这一方案却收效甚微。有没有其他办法呢？

 

FlashText的创造者当年也面临了同样的问题，在经过了一番搜寻而无所获后，他决定自己来编写一个新算法。

 

在了解FlashText的实现原理之前，让我们先来看看FlashText和正则表达式在搜索任务中的性能对比图。

我们可以看到，当关键词数量上升时，Regex所花费的时间几乎呈线性增长，然而FlashText却几乎没受什么影响。

 

开心的文摘菌

 

再来看一张执行词语替换任务的对比图

同样的，在词语数量增加时，FlashText的运行时间却几乎不受影响。

 

 

所以，什么是FlashText呢？

 

 

FlashText是GitHub上的一个开源Python库，正如之前所提到的，它在提取关键字和替换关键字任务上有着极高的性能。

 

在使用FlashText时，你首先要给它一个关键词列表。这份列表将用于在内部建立一个单词查找树的字典（Trie dictionary）。然后你将一个字符串传递给它，并告诉它是要执行替换还是搜索。

 

对于替换，它将用替换关键字创建一个新字符串。对于搜索，它将返回字符串中找到的关键字列表。这些任务都只需要遍历字符串一遍。

 

 

FlashText为什么这么快？

 

 

举个例子吧。我们有一个句子，它由三个单词组成——I like Python，并且假设我们有一个四个单词组成的语料库{Python, Java, J2ee, Ruby}。

 

如果我们从语料库中拿出每个单词，并且检查它是否出现在句子中，这需要我们遍历字符串四次。

 

 

如果语料库里有n个词，它将需要n个循环。并且每个搜索步骤（is <word> in sentence?）将花费自己的时间，这就是正则匹配（Regex match）的机制。

 

还有与第一种方法相反的另一种方法L对于句子中的每个单词，检查它是否存在于语料库中。

 

 

如果这个句子有m个词，它就有m个循环。在这种情况下，所花费的时间只取决于句子中的单词数。这个步骤（ is <word> in corpus? ）可以使用字典查找快速创建。

 

FlashText算法是基于第二种方法的，该灵感来自于Aho-Corasick算法和单词查找树数据结构（Trie data structure）。

 

它的工作方式是：

 

首先根据语料库创建一个单词查找树字典（Trie data structure）。如下图：

start和EOT（End Of Term）表示单词边界，可以是空格，句号或换行符。关键字只有在它的两边有单词边界时才能被匹配。这样可以防止apple和pineapple的匹配。

 

接下来，我们将输入一个字符串I like Python，并且一个字符一个字符搜索他、它。

 

因为该算法是一个字符接一个字符匹配，在搜索<start>I时，我们可以很容易地跳过<start>like<EOT >在，因为I没有接在<start>后面。这一机制让我们可以很快跳过词库中不存在的词。

 

FlashText算法只检查输入字符串“I like Python”中的每个字符。即便我们的字典有一百万个关键字，这对它的运行几乎没有影响。这正是FlashText算法的能力所在。

 

 

所以你什么时候应用FlashText？

 

 

简要回答：当关键词数量>500时

 

 

对于搜索而言，大约超过500个关键词后FlashText开始优于正则表达式。

 

补充：正则表达式可以搜索基于特殊字符为关键字，如^,$,*,\d,.但FlashText是不支持的。

 

所以如果你想匹配部分的单词（如“word\dvec”）是不行的，但它能很好地提取完整的单词（如“word2vec”）。

 

最后，奉上FlashText的基本功能调用代码！试一试，是不是比正则表达式快了很多呢？

 

代码：用FlashText查找关键字

 

 

代码：用FlashText替换关键字