FlashText 算法是由 Vikash Singh 于2017年发表的大规模关键词替换算法，这个算法的时间复杂度仅由文本长度（N）决定，算法时间复杂度为O（N）。
而对于正则表达式的替换，算法时间复杂度还需要考虑被替换的关键词数量（M），因此时间复杂度为O（MxN）。
简而言之，基于FlashText算法的字符串替换比正则表达式替换快M倍以上，这个M是需要替换的关键词数量，关键词越多，FlashText算法的优势就越明显。
下面就给大家介绍如何在 Python 中基于 flashtext 模块使用 FlashText 算法进行字符串查找和替换，如果觉得对你的项目团队很有帮助，请记得转发一下哦。
1.准备
pip install flashtext
2.基本使用
提取关键词
一个最基本的提取关键词的例子如下：
from flashtext import KeywordProcessor
# 1. 初始化关键字处理器
keyword_processor = KeywordProcessor()
# 2. 添加关键词
keyword_processor.add_keyword('Big Apple', 'New York')
keyword_processor.add_keyword('Bay Area')
# 3. 处理目标句子并提取相应关键词
keywords_found = keyword_processor.extract_keywords('I love Big Apple and Bay Area.')
# 4. 结果
print(keywords_found)
# ['New York', 'Bay Area']
其中 add_keyword 的第一个参数代表需要被查找的关键词，第二个参数是给这个关键词一个别名，如果找到了则以别名显示。
替换关键词
如果你想要替换关键词，只需要调用处理器的 replace_keywords 函数：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. 添加关键词 keyword_processor.add_keyword('New Delhi', 'NCR region') # 3. 替换关键词 new_sentence = keyword_processor.replace_keywords('I love Big Apple and new delhi.') # 4. 结果 print(new_sentence) # 'I love New York and NCR region.'
关键词大小写敏感
如果你需要精确提取，识别大小写字母，那么你可以在处理器初始化的时候设定 sensitive 参数:
from flashtext import KeywordProcessor # 1. 初始化关键字处理器, 注意设置大小写敏感(case_sensitive)为TRUE keyword_processor = KeywordProcessor(case_sensitive=True) # 2. 添加关键词 keyword_processor.add_keyword('Big Apple', 'New York') keyword_processor.add_keyword('Bay Area') # 3. 处理目标句子并提取相应关键词 keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.') # 4. 结果 print(keywords_found) # ['Bay Area']
标记关键词位置
如果你需要获取关键词在句子中的位置，在 extract_keywords 的时候添加 span_info=True 参数即可：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. 添加关键词 keyword_processor.add_keyword('Big Apple', 'New York') keyword_processor.add_keyword('Bay Area') # 3. 处理目标句子并提取相应关键词, 并标记关键词的起始、终止位置 keywords_found = keyword_processor.extract_keywords('I love big Apple and Bay Area.', span_info=True) # 4. 结果 print(keywords_found) # [('New York', 7, 16), ('Bay Area', 21, 29)]
获取目前所有的关键词
如果你需要获取当前已经添加的所有关键词，只需要调用处理器的 get_all_keywords 函数：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. 添加关键词 keyword_processor.add_keyword('j2ee', 'Java') keyword_processor.add_keyword('colour', 'color') # 3. 获取所有关键词 keyword_processor.get_all_keywords() # output: {'colour': 'color', 'j2ee': 'Java'}
批量添加关键词
批量添加关键词有两种方法，一种是通过词典，一种是通过数组：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. （第一种）通过字典批量添加关键词 keyword_dict = { "java": ["java_2e", "java programing"], "product management": ["PM", "product manager"] } keyword_processor.add_keywords_from_dict(keyword_dict) # 2. （第二种）通过数组批量添加关键词 keyword_processor.add_keywords_from_list(["java", "python"]) # 3. 第一种的提取效果如下 keyword_processor.extract_keywords('I am a product manager for a java_2e platform') # output ['product management', 'java']
单一或批量删除关键词
删除关键词也非常简单，和添加类似：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. 通过字典批量添加关键词 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. 单个删除关键词 keyword_processor.remove_keyword('java_2e') # 5. 批量删除关键词，也是可以通过词典或者数组的形式 keyword_processor.remove_keywords_from_dict({"product management": ["PM"]}) keyword_processor.remove_keywords_from_list(["java programing"]) # 6. 删除了java programing关键词后的效果如下 keyword_processor.extract_keywords('I am a product manager for a java_2e platform') # ['product management']
3.高级使用
支持额外信息
前面提到在添加关键词的时候第二个参数为其别名，其实你不仅可以指示别名，还可以将额外信息放到第二个参数中：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 kp = KeywordProcessor() # 2. 添加关键词并附带额外信息 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')]
这样，在提取关键词的时候，你还能拿到其他一些你想要在得到此关键词时输出的信息。
支持特殊单词边界
Flashtext 检测的单词边界一般局限于 \w [A-Za-z0-9_] 外的任意字符，但是如果你想添加某些特殊字符作为单词的一部分也是可以实现的：
from flashtext import KeywordProcessor # 1. 初始化关键字处理器 keyword_processor = KeywordProcessor() # 2. 添加关键词 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. 将 '/' 作为单词一部分 keyword_processor.add_non_word_boundary('/') # 5. 优化后的效果 print(keyword_processor.extract_keywords('I love Big Apple/Bay Area.')) # []
4.结尾
个人认为这个模块已经满足我们的基本使用了，如果你有一些该模块提供的功能之外的使用需求，可以给 flashtext 贡献代码：
https://github.com/vi3k6i5/flashtext
附 FlashText 与正则相比 查询关键词 所花费的时间之比：
附 FlashText 与正则相比 替换关键词 所花费的时间之比：
这篇文章如果对你有帮助的话，记得转发一下哦。
原文地址:https://mp.weixin.qq.com/s?__biz=MjM5OTA1MDUyMA==&mid=2655473391&idx=2&sn=896115085e8658af39b33a01b1a46b7a&chksm=bd7282988a050b8e0220f8e3d7e4739ffc302ba6c959de656c5abb1839502f7b4087b5f0f38b&mpshare=1&scene=1&srcid=0419wjKBLtrOO4irrNjqLFzF&sharer_sharetime=1650351664215&sharer_shareid=e0b14e5adceaed36eaa50484295bd3a0&exportkey=A%2Bev8UH3bIvIdHVpv3WrNuM%3D&acctmode=0&pass_ticket=fxjiCS28QUZ%2FJ9kpqjOuf6puzBo4n%2BBeOYIPjEwcAgg9haPgI5jmKHHYm8uzPl1V&wx_header=0#rd
