2 yca2220206 yca2220206 于 2014.06.12 11:13 提问

集思广益,有个几百万关键字的文本匹配的算法,大家进来看看

关键字 都是放在一个数组中的,譬如$keyword_arr=["key1","key2","example",......],大约有几百万甚至上千万的关键字,这些关键字已经按照优先级从前到后排列了,越靠前的关键字优先匹配,匹配的最多次数是$max次;目前采用for循环$keyword_arr数组,然后将关键字组装成'/\b(?:'.$value.')\b/i';正则来匹配文本内容$text;如果已经匹配了$max次了,就停止匹配。

这个算法肯定是最低效的,大家有好的建议可以提出来,主要问题是关键字优先级有点麻烦

php: 目前采用正则匹配:

        foreach ($keyword_arr as $key=>$value) {
            $pattern = '/\\b(?:'.$value.')\\b/i';
            preg_match($pattern, $text, $match, PREG_OFFSET_CAPTURE);
            if ($match && trim($match[0][0]) != '' && !in_array(strtolower($match[0][0]), $match_keyword_arr)) {
                $match_keyword_arr[] = strtolower($match[0][0]);
                $count ++;
                if ($count >= $max) {
                    break;
                }
        }

1个回答

kevin_Luan
kevin_Luan   2014.06.15 18:35

类似这种处理不建议正则,大量使用正则会消耗很高的CPU。
优化方法:
建议使用状态机的方式实现。其实你的需求简单理解为通过一批关键字匹配关键字然后处理后续的业务等。

我之前处理相似的业务
1. 写了一个StringToken处理类
http://blog.csdn.net/kevin_luan/article/details/26875341
2. 敏感词过滤
http://download.csdn.net/detail/kevin_luan/7322435

我使用JAVA写的,不过PHP同样可以实现相似的业务,希望对你有所启发。

Csdn user default icon
上传中...
上传图片
插入图片