一道bat面试题：快速替换10亿条标题中的5万个敏感词，有哪些解决思路？

  有十亿个标题，存在一个文件中，一行一个标题。有5万个敏感词，存在另一个文件。写一个程序过滤掉所有标题中的所有敏感词，保存到另一个文件中。

一、AC自动机

  一个常见的例子就是给出n个单词，再给出一段包含m个字符的文章，让你找出有多少个单词在文章里出现过。 简单地讲，AC自动机就是字典树+kmp算法+失配指针。Python 库 ahocorasick 封装了 AC 自动机，简单易用，而且解决了 UTF-8 字符编码问题。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import ahocorasick

patterns = ['中国', '山东省', '威海市', '山东大学', '威海校区'] # 词典
text = '山东大学威海校区坐落于美丽滨城威海市。'

trie = ahocorasick.Automaton()
for index, word in enumerate(patterns):
    trie.add_word(word, (index, word))
trie.make_automaton()

for each in trie.iter(text):
    print(each)

  还可以提前创建一个最终的大型自动机，然后对其进行序列化以在以后重新加载。

1
2
3
4
5

>>> import cPickle
>>> pickled = cPickle.dumps(trie)
>>> B = cPickle.loads(pickled)
>>> B.get('中国')
(0, '中国')

二、flashtext

  Flashtext 是一种基于 Trie 字典数据结构和 Aho Corasick 的算法。它的工作方式是，首先它将所有相关的关键字作为输入。使用这些关键字建立一个 trie 字典，如下图所示： flashtext start 和 eot 是两个特殊的字符，用来定义词的边界。

Flashtext 算法那主要分为三部分：

  • 构建 Trie 字典 KeywordProcessor
  • 新增关键词 add_keyword
  • 关键词抽取 extract_keywords

如果要支持中文，需要进行修改。（将文本及字典中的每个汉字之间，以空格分开，这样形式上就和英文相同了）。另外，看到一个flashtext的中文应用，可供参考。

三、DFA算法

  DFA即Deterministic Finite Automaton，也就是确定有穷自动机。算法核心是建立了以敏感词为基础的许多敏感词树。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69

# -*- coding:utf-8 -*-

import time
time1=time.time()

# DFA算法
class DFAFilter():
    def __init__(self):
        self.keyword_chains = {}
        self.delimit = '\x00'

    def add(self, keyword):
        keyword = keyword.lower()
        chars = keyword.strip()
        if not chars:
            return
        level = self.keyword_chains
        for i in range(len(chars)):
            if chars[i] in level:
                level = level[chars[i]]
            else:
                if not isinstance(level, dict):
                    break
                for j in range(i, len(chars)):
                    level[chars[j]] = {}
                    last_level, last_char = level, chars[j]
                    level = level[chars[j]]
                last_level[last_char] = {self.delimit: 0}
                break
        if i == len(chars) - 1:
            level[self.delimit] = 0

    def parse(self, path):
        with open(path,encoding='utf-8') as f:
            for keyword in f:
                self.add(str(keyword).strip())

    def filter(self, message, repl="*"):
        message = message.lower()
        ret = []
        start = 0
        while start < len(message):
            level = self.keyword_chains
            step_ins = 0
            for char in message[start:]:
                if char in level:
                    step_ins += 1
                    if self.delimit not in level[char]:
                        level = level[char]
                    else:
                        ret.append(repl * step_ins)
                        start += step_ins - 1
                        break
                else:
                    ret.append(message[start])
                    break
            else:
                ret.append(message[start])
            start += 1

        return ''.join(ret)

gfw = DFAFilter()
# 词典路径
words_path = '...'
gfw.parse(words_path)
text="文本"
result = gfw.filter(text)

四、总结

  以上三种方法都可以实现在大量文本中，进行大规模词典文本快速匹配。应用场景包括：关键词提取，敏感词过滤，知识图谱检索（实体的提取和链接，在一个query中就要求提取出KB中包含的实体的名称）等。

Reference

1、 https://zhuanlan.zhihu.com/p/137584630
2、 https://zhuanlan.zhihu.com/p/158767004
3、 https://blog.csdn.net/u013421629/article/details/83178970
4、 https://mattzheng.blog.csdn.net/article/details/78521871
5、 https://github.com/WojciechMula/pyahocorasick
6、 https://github.com/vi3k6i5/flashtext
7、 https://github.com/cold-eye/flashtext_chinese_nlp_data_augmentation_eda

打赏

微信 微信 支付宝 支付宝
万分感谢