cyac

циак

Высокопроизводительный инструмент Trie & Keyword Match & replace.

Он реализован cython и будет скомпилирован в cpp. Структура данных дерева — кедр, который представляет собой оптимизированное дерево с двойным массивом. он поддерживает Python2.7 и 3.4+. Он поддерживает Pickle для дампа и загрузки.

Если вы нашли это полезным, пожалуйста, поставьте звезду!

Быстрый старт

Этот модуль написан на Cython. Вам необходимо установить Cython.

 pip install cyac

Затем создайте Trie

 >>> from cyac import Trie
>>> trie = Trie()

добавить/получить/удалить ключевое слово

 >>> trie.insert(u"哈哈") # return keyword id in trie, return -1 if doesn't exist
>>> trie.get(u"哈哈") # return keyword id in trie, return -1 if doesn't exist
>>> trie.remove(u"呵呵") # return keyword in trie
>>> trie[id] # return the word corresponding to the id
>>> trie[u"呵呵"] # similar to get but it will raise exeption if doesn't exist
>>> u"呵呵" in trie # test if the keyword is in trie

получить все ключевые слова

 >>> for key, id_ in trie.items():
>>>     print(key, id_)

префикс/прогнозировать

 >>> # return the string in the trie which starts with given string
>>> for id_ in trie.predict(u"呵呵"):
>>>     print(id_)
>>> # return the prefix of given string which is in the trie.
>>> for id_, len_ in trie.prefix(u"呵呵"):
>>>     print(id_, len_)

попробовать извлечь, заменить

 >>> python_id = trie.insert(u"python")
>>> trie.replace_longest("python", {python_id: u"hahah"}, set([ord(" ")])) # the second parameter is seperator. If you specify seperators. it only matches strings tween seperators. e.g. It won't match 'apython'
>>> for id_, start, end in trie.match_longest(u"python", set([ord(" ")])):
>>>     print(id_, start, end)

Экстракт Ахо Корасика

 >>> ac = AC.build([u"python", u"ruby"])
>>> for id, start, end in ac.match(u"python ruby"):
>>>     print(id, start, end)

Экспортируйте в файл, затем мы сможем использовать mmap для загрузки файла и обмена данными между процессами.

 >>> ac = AC.build([u"python", u"ruby"])
>>> ac.save("filename")
>>> ac.to_buff(buff_object)

Инициализация из буфера Python

 >>> import mmap
>>> with open("filename", "r+b") as bf:
        buff_object = mmap.mmap(bf.fileno(), 0)
>>> AC.from_buff(buff_object, copy=True) # it allocs new memory
>>> AC.from_buff(buff_object, copy=False) # it shares memory

Пример многопроцессного процесса

 import mmap
from multiprocessing import Process
from cyac import AC

def get_mmap():
    with open("random_data", "r+b") as bf:
        buff_object = mmap.mmap(bf.fileno(), 0)
    ac_trie = AC.from_buff(buff_object, copy=False)
    # Do your aho searches here. "match" function is process safe.

processes_list = list()
for x in range(0, 6):
    p = Process(
        target=get_mmap,
    )
    p.start()
    processes_list.append(p)
for p in processes_list:
    p.join()

Дополнительные сведения о многопроцессорной обработке и анализе памяти в cyac см. в этом выпуске.

Безопасность резьбы

Функция «match» автомата AC является потоко/процессобезопасной. Можно найти совпадения параллельно с общим автоматом AC, но не записывать/добавлять в него шаблоны.

Производительность

В Ubuntu 14.04.5/Intel(R) Core(TM) i7-4790K ЦП @ 4,00 ГГц.

Три

По сравнению с HatTrie, ось горизонта имеет номер токена. По вертикальной оси используется время (секунды).

Вставлять

Получать

Удалять

Извлечение/замена ключевого слова

По сравнению с flashText. Регулярное выражение слишком медленно справляется с этой задачей (см. тест flashText). Ось горизонта — это номер символа, который должен совпадать. По вертикальной оси используется время (секунды).

Алгоритм Ахо Корасика

По сравнению с pyahocorasick, ось горизонта имеет соответствующий номер. По вертикальной оси используется время (секунды).

Юникод

 >>> len(char.lower()) == len(char) # this is always true in python2, but not in python3
>>> len(u"İstanbul") != len(u"İstanbul".lower()) # in python3

В случае нечувствительности к регистру совпадений эта библиотека учитывает этот факт и возвращает правильное смещение.

Запустить тест

python setup.py build

PYTHONPATH= $( pwd ) /build/BUILD_DST python3 tests/test_all.py
PYTHONPATH= $( pwd ) /build/BUILD_DST python3 bench/bench_ * .py