比正则快M倍以上！Python替换字符串的新姿势

优采云发布时间: 2022-05-16 01:11

　　FlashText 算法是由 Vikash Singh 于2017年发表的*敏*感*词*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，请记得帮作者转发一下哦。

　　1.准备

　　开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：进行安装。

　　(可选1)如果你用Python的目的是数据分析，可以直接安装Anaconda：，它内置了Python和pip.

　　(可选2)此外，推荐大家用VSCode编辑器，它有许多的优点：。

　　请选择以下任一种方式输入命令安装依赖：

　　1. Windows 环境打开 Cmd (开始-运行-CMD)。

　　2. MacOS 环境打开 Terminal (command+空格输入Terminal)。

　　3. 如果你用的是 VSCode编辑器或 Pycharm，可以直接使用界面下方的Terminal.

　　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：

　　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。

　　我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

近期文章<p style="outline: 0px;max-width: 100%;color: rgb(63, 63, 63);font-size: 15px;letter-spacing: 0px;white-space: normal;font-family: "Helvetica Neue", Helvetica, "Hiragino Sans GB", "Microsoft YaHei", Arial, sans-serif;line-height: normal;box-sizing: border-box !important;overflow-wrap: break-word !important;">视频专栏课 | Python网络爬虫与文本分析

读完本文你就了解什么是文本分析

综述:文本分析在市场营销研究中的应用

Pandas库 | 高速读取csv文件的方法

如何在DataFrame中使用If-Else条件语句创建新列

BERTopic 主题建模库 | 建议收藏

Top2Vec | 主题建模和语义搜索库

案例实战 | 企业信息数据采集

使用文本相似度可以识别变化的时间点

PNAS | 文本网络分析&文化桥梁Python代码实现

　　tomotopy | 速度最快的LDA主题模型

　　dvt | 视觉文化分析的Python工具包

　　Stargazer库 | 创建漂亮可发表的多元回归表