比正则快 N 倍！这个库简直太香了！

 

FlashText 算法是比正N倍由 Vikash Singh 于2017年发表的大规模关键词替换算法，这个算法的则快时间复杂度仅由文本长度（N）决定，算法时间复杂度为O（N）。个库

而对于正则表达式的简直替换，算法时间复杂度还需要考虑被替换的太香关键词数量（M），因此时间复杂度为O（MxN）。比正N倍

简而言之，则快基于FlashText算法的个库字符串替换比正则表达式替换快M倍以上，这个M是简直需要替换的关键词数量，关键词越多，太香FlashText算法的比正N倍优势就越明显。

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，则快如果觉得对你的个库项目团队很有帮助，请记得帮作者转发一下哦。简直

1.准备

开始之前，太香你要确保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：超详细Python安装指南 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：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，站群服务器推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：

Windows 环境 打开 Cmd (开始-运行-CMD)。 MacOS 环境 打开 Terminal (command+空格输入Terminal)。 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免费源码下载 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：

https://github.com/vi3k6i5/flashtext

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 所花费的高防服务器时间之比：