cyac

氰化酶

高性能 Trie 和关键字匹配和替换工具。

它由cython实现，并将编译为cpp。 trie数据结构是cedar，它是一种优化的双数组trie。它支持Python2.7和3.4+。它支持pickle转储和加载。

如果您觉得有用请给个star！

快速入门

该模块是用 cython 编写的。您需要安装 cython。

 pip install cyac

然后创建一个Trie树

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

添加/获取/删除关键字

 >>> 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

获取所有关键词

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

前缀/预测

 >>> # 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_)

特里提取，替换

 >>> 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)

阿霍科拉西克提取物

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

导出到文件，然后我们可以使用mmap加载文件，在进程之间共享数据。

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

从 Python 缓冲区初始化

 >>> 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

多进程示例

 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()

有关 cyac 中的多处理和内存分析的更多信息，请参阅此问题。

线程安全

AC 自动机的“match”功能是线程/进程安全的。可以与共享 AC 自动机并行查找匹配，但不能向其写入/附加模式。

表现

在 Ubuntu 14.04.5/Intel(R) Core(TM) i7-4790K CPU @ 4.00GHz 上。

特里树

与HatTrie相比，水平轴是token num。纵轴是使用时间（秒）。

插入

得到

消除

关键词提取/替换

与 flashText 相比。正则表达式在此任务中太慢（请参阅 flashText 的基准测试）。水平轴是要匹配的字符数。纵轴是使用时间（秒）。

阿霍科拉西克算法

与pyahocorasick相比，Horizo​​n轴是要匹配的char num。纵轴是使用时间（秒）。

统一码

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

在不区分大小写的匹配中，该库会处理这一事实，并返回正确的偏移量。

运行测试

python setup.py build

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