ahocorasick.Automaton 是 Python 中 pyahocorasick 庫(kù)提供的一個(gè)類，用于實(shí)現(xiàn) Aho-Corasick 自動(dòng)機(jī)。Aho-Corasick 算法是一種用于精確或近似多模式字符串搜索的高效算法。

通過(guò) pip install pyahocorasick 安裝 pyahocorasick 庫(kù)。
并且，該模塊是用 C 編寫(xiě)的，安裝時(shí)需要有 C 編譯器來(lái)編譯本機(jī) Cpython 擴(kuò)展。

使用 ahocorasick.Automaton 類的一般步驟如下：

• 導(dǎo)入 ahocorasick 庫(kù)：import ahocorasick。
• 創(chuàng)建 Automaton 對(duì)象：a = ahocorasick.Automaton() 。
• （可選）將字符串鍵及其關(guān)聯(lián)值添加到自動(dòng)機(jī)，可作為 trie 樹(shù)使用。例如：

for idx, key in enumerate('heherhersshe'.split()):
    a.add_word(key, (idx, key))

調(diào)用 make_automaton() 方法完成并創(chuàng)建 Aho-Corasick 自動(dòng)機(jī)：a.make_automaton() 。

創(chuàng)建好自動(dòng)機(jī)后，可以使用以下主要方法進(jìn)行搜索操作：

• iter(string, (start, (end)))：使用提供的輸入字符串執(zhí)行 Aho-Corasick 搜索過(guò)程。它返回一個(gè)迭代器，為在字符串中找到的鍵返回元組 (end_index, value)，其中 end_index 是匹配結(jié)束的索引位置，value 是與匹配的鍵相關(guān)聯(lián)的值。
• iter_long(string, (start, (end)))：返回一個(gè)搜索最長(zhǎng)、非重疊匹配的迭代器（automaton_search_iter_long 類的對(duì)象）。

以下是一個(gè)使用 ahocorasick.Automaton 進(jìn)行多模式字符串搜索的示例代碼：

import ahocorasick as ah
a = ah.automaton()
with open('userdict.txt', 'r', encoding='utf-8') as f2:  # 加載文件
    keywords = (a.strip() for a in f2.readlines())  # 加載關(guān)鍵詞
    # 利用 add_word 方法將關(guān)鍵詞加入自動(dòng)機(jī)！
    for x in range(len(keywords)):
        a.add_word(keywords[x], (x, keywords[x]))  # 第二個(gè)參數(shù)為自定義的返回值
# 創(chuàng)建 aho-corasick 自動(dòng)機(jī)
a.make_automaton()
with open('jianjie.txt', 'r', encoding='utf-8') as f:  # 打開(kāi)要檢索文檔
    jianjie = f.read()  # 讀取正文（如果太多，可以分?jǐn)嗉虞d，分段檢索）
# 開(kāi)始查找，該方法匹配最長(zhǎng)的字符串
for item in a.iter_long(jianjie):
    print(item)
print('-' * 20)
# 開(kāi)始查找，該方法匹配所有字符串
for item in a.iter(jianjie):
    print(item)

在上述示例中，首先創(chuàng)建了一個(gè)自動(dòng)機(jī)對(duì)象 a，然后從文件中讀取關(guān)鍵詞，并使用 add_word 方法將關(guān)鍵詞添加到自動(dòng)機(jī)中。接著調(diào)用 make_automaton 方法創(chuàng)建 Aho-Corasick 自動(dòng)機(jī)。最后，通過(guò)打開(kāi)另一個(gè)文件讀取要搜索的正文，并使用 iter_long 和 iter 方法進(jìn)行匹配查找，并打印出匹配的結(jié)果。

Aho-Corasick 自動(dòng)機(jī)的優(yōu)點(diǎn)包括能夠在一次運(yùn)行中找到給定集合所有字符串，適用于多模式字符串匹配的場(chǎng)景，例如網(wǎng)絡(luò)內(nèi)容過(guò)濾、版權(quán)檢測(cè)、病毒掃描等，在自然語(yǔ)言處理中查找特定詞匯或模式，以及生物信息學(xué)中在 DNA 或蛋白質(zhì)序列分析中尋找特定的序列模式等方面都有應(yīng)用。

到此這篇關(guān)于Python 多模式字符串搜索 Aho-Corasick詳解的文章就介紹到這了,更多相關(guān)Python 多模式字符串搜索內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論