怎么使用倒排索引极速提高字符串搜索效率

这篇文章主要讲解了“怎么使用倒排索引极速提高字符串搜索效率”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“怎么使用倒排索引极速提高字符串搜索效率”吧！

在Python中，如果要判断一个字符串是否在另一个字符串里面，我们可以使用in关键字，例如：

>>> a = '你说我是买苹果电脑，还是买windows电脑呢？' >>> if '苹果' in a: ...  print('苹果这个词在a字符串里面') ... 苹果这个词在a字符串里面

如果有多个句子和多个关键字，那么可以使用for循环来实现：

sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',               '人生苦短我用Python',               '你TM一天到晚只知道得瑟',              '不不不，我不是说你，我是说在座的各位都是垃圾。'              '我cnm你个大sb'             ] keywords = ['垃圾', 'cnm', 'sb', 'TM'] for sentence in sentences:     for keyword in keywords:         if keyword in sentence:             print(f'句子: 【{sentence}】包含脏话：【{keyword}】')

运行效果如下图所示：

现在如果有100000000个句子，有1000个关键字，那么你需要对比1000亿次才能全部查询完成。这个时间代价太大了，如果Python一秒钟能运行500万次查询(实际上没有这么快)，那么1000亿次查询需要20000秒，接近6小时。而且，由于in关键字的时间复杂度为O(n)，如果有大量长句子，查询时间会更长。

例如，我们要从下面的句子里面寻找cnm。

sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',               '人生苦短我用Python',               '你TM一天到晚只知道得瑟',              '不不不，我不是说你，我是说在座的各位都是垃圾。',              '我cnm你个大sb',              '各位同学，Good Morning！',              '网络这个单词，它的英文为Network',              '我不想听到有人说cnm！'             ]

如果使用常规方法，那么我们的做法是：

1. 鸿蒙官方战略合作共建——HarmonyOS技术社区

2. cnm在你说我是买苹果电脑，还是买windows电脑呢?中吗?不在!

3. cnm在人生苦短我用Python吗?不在!

4. ……

5. ……

6. cnm在我cnm你个大sb吗?在!

7. cnm在各位同学，Good Morning!吗?不在!

8. CMN在网络这个单词，它的英文为Network吗?不在!

9. cnm在我不想听到有人说cnm!吗?在!

于是就知道了，cnm在sentences列表下标为4和7的这两个句子中。

下面，我们换一个看起来更笨的办法：

要找到cnm在哪几句里面，可以变成：寻找C、N、M这三个字母在哪几句里面。然后，再找到同时有这三个字母的句子:

1. 鸿蒙官方战略合作共建——HarmonyOS技术社区

2. C在4, 7句

3. N在4，6，7句

4. M在2, 4，5，7句

所以，{4, 7} 与 {4, 6, 7} 与 {4, 5, 7}做交集，得到{4, 7}说明cnm这个词很有可能是在第4句和第7句。

为什么说很可能呢?因为假如再添加一句话：今天我们学习三个单词：Cat, Network,  Morning。这一句也会被认为包含cnm这个词，但实际上它只是同时包含了C、N、M三个字母而已。

接下来，有人会问了：原来直接查询cnm的时候，只需要查询8次就可以了。现在你分别查询C N M要查询24次。你是修复了查询时间太短的bug吗?

回答这个问题之前，我们再来看另一个问题。

Python里面，当我要判断字母C是不是在句子我不想听到有人说cnm!里面时，Python是如何工作的?

实际上，它的工作原理可以写成：

sentence = '我不想听到有人说cnm！' for char in sentence:     if char == 'C':         print('C在这个字符串中')         break

如果要判断C、N、M是不是都在这个字符串我不想听到有人说cnm!中，同一个字符串会被遍历3次。有没有办法减少这种看起来多余的遍历操作呢?

如果我们把我不想听到有人说cnm!这个句子转成字典会怎么样：

sentence = '我不想听到有人说cnm！' sentence_dict = {char: 1 for char in sentence} for letter in 'cnm':     if letter in sentence_dict:         print(f'字母{letter}在句子中！')

这样一来，只需要在生成字典的时候遍历句子一次，减少了2次冗余遍历。并且，判断一个元素是否在字典里面，时间复杂度为O(1)，速度非常快。

我不想听到有人说cnm!生成的字典为{'我': 1, '不': 1, '想': 1, '听': 1, '到': 1, '有': 1, '人': 1,  '说': 1, 'C': 1, 'N': 1, 'M': 1, '!':  1}。那么如果要把列表里面的所有句子都这样处理，又怎么存放呢?此时，字典的Key就是每一个字符，而Value可以是每一句话在原来列表中的索引：

sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',               '人生苦短我用Python',               '你TM一天到晚只知道得瑟',              '不不不，我不是说你，我是说在座的各位都是垃圾。',              '我cnm你个大sb',              '各位同学，Good Morning！',              '网络这个单词，它的英文为Network',              '我不想听到有人说cnm！'] index_dict = {} for index, line in enumerate(sentences):     print(index, line)     for char in line:         if not char.strip():             continue         if char in index_dict:             index_dict[char].add(index)         else:             index_dict[char] = {index}

生成的字典为：

{'B': {4},  'C': {4, 7},  'G': {5},  'M': {2, 4, 5, 7},  'N': {4, 6, 7},  'P': {1},  'S': {4},  'T': {2},  'd': {0, 5},  'e': {6},  'g': {5},  'h': {1},  'i': {0, 5},  'k': {6},  'n': {0, 1, 5},  'o': {0, 1, 5, 6},  'r': {5, 6},  's': {0},  't': {1, 6},  'w': {0, 6},  'y': {1},  '。': {3},  '一': {2},  '不': {3, 7},  '个': {4, 6},  '为': {6},  '买': {0},  '人': {1, 7},  '位': {3, 5},  '你': {0, 2, 3, 4},  '到': {2, 7},  '单': {6},  '只': {2},  '各': {3, 5},  '同': {5},  '听': {7},  '呢': {0},  '在': {3},  '圾': {3},  '垃': {3},  '大': {4},  '天': {2},  '学': {5},  '它': {6},  '座': {3},  '得': {2},  '想': {7},  '我': {0, 1, 3, 4, 7},  '文': {6},  '是': {0, 3},  '晚': {2},  '有': {7},  '果': {0},  '瑟': {2},  '生': {1},  '用': {1},  '电': {0},  '的': {3, 6},  '知': {2},  '短': {1},  '络': {6},  '网': {6},  '脑': {0},  '苦': {1},  '英': {6},  '苹': {0},  '词': {6},  '说': {0, 3, 7},  '还': {0},  '这': {6},  '道': {2},  '都': {3},  '！': {5, 7},  '，': {0, 3, 5, 6},  '？': {0}}

生成的字典这么长，看起来非常可怕。但是别慌，毕竟不是你人肉寻找。对Python来说，字典里面无论有多少个Key，它的查询时间都是一样的。

现在，我们要寻找C、N、M，于是代码可以写为：

index_list = [] for letter in 'cnm':     index_list.append(index_dict.get(letter, {}))  common_index = set.intersection(*index_list)  # 对包含各个字母的索引做交集，得到同时包含3个字母的句子 print(f'这几个句子里面同时含有`C`、`N`、`M`：{common_index}') for index in common_index:     print(sentences[index])

运行结果如下：

所以，对于一组需要被查询的关键字，也可以这样搜索：

keywords = ['垃圾', 'cnm', 'sb', 'TM'] for word in keywords:     index_list = []     for letter in word:         index_list.append(index_dict.get(letter, {}))      common_index = set.intersection(*index_list)     print(f'>>这几个句子里面同时含有：{word}')     for index in common_index:         print(sentences[index])

运行效果如下图所示：

感谢各位的阅读，以上就是“怎么使用倒排索引极速提高字符串搜索效率”的内容了，经过本文的学习后，相信大家对怎么使用倒排索引极速提高字符串搜索效率这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！