请教一个关键词检测问题.

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1440 天前的主题，其中的信息可能已经有所发展或是发生改变。

某些用户会关注一些关键字如:西瓜牛奶香蕉等,大概如下结构:

{'key_1':[u1,u2,u3,u4]}
{'key_2':[u4]}
{'key_3':[u2,u3,u4]}

恩,其实就是一个 key 对应多个用户.

如果以用户角度来看,其实就是:

{u1:[key_1]}
{u2:[key_1,key_3]} ....

现在有大量文本需要检测是否包含上面所有的 key.如果包含就取到对应的 key 与 id[ux] 这种数据应该怎么存储比较合适呢并检索? 如果有可用的工具最好越轻越好.. key 大概 2w-5w 备注:文本大概 100 字以内

第 1 条附言 · 2020-12-16 13:48:09 +08:00

各位大佬们已经 ac 自动机+ kv 处理了感谢各位

key

key_1

文本

倒排

25 条回复 • 2020-12-16 13:47:40 +08:00

TimePPT

2020-12-15 18:21:32 +08:00

需求不太明白，不过感觉可以试试 FlashText ？
https://github.com/vi3k6i5/flashtext/

kevinwan

2020-12-15 18:26:19 +08:00 via iPhone

go 的要不要？如果可以的话，https://github.com/tal-tech/go-zero
里面有，core/stringx 包里

err1y

2020-12-15 18:36:21 +08:00 via iPhone

用图数据库，比如 neo4j

jingous

2020-12-15 18:42:06 +08:00

怎么有一种倒排索引的感觉

wunonglin

2020-12-15 19:06:26 +08:00

@jingous #4 哈哈哈哈哈哈，好像就是倒排

fuxiuyin

2020-12-15 19:18:08 +08:00

问题拆分成两个，第一个是找到这些文本命中那些关键词，第二个是找到命中的关键词对应哪些用户。第一个可以用关键词建一个 AC 自动机做文本匹配，第二个可以存一个 kv 数据库。

molika

2020-12-15 19:21:34 +08:00

@jingous 是的一种倒排索引但是我想很轻量的实现. 想看看大家有木有好的思路和想法学习一下~

molika

2020-12-15 19:23:10 +08:00

@TimePPT 我看下~感谢

molika

2020-12-15 19:23:26 +08:00

@err1y 还用不上这么高级的东西(逃

molika

2020-12-15 19:23:47 +08:00

@kevinwan 我了解下 go 的也可以哈哈感谢

kevinwan

2020-12-15 23:09:35 +08:00

@molika 我们百万级 qps 的并发都是通过 go-zero 的关键词过滤库做的，既然愿意尝试 go 的，那你可以看看能否用上哈

lpts007

2020-12-16 07:39:44 +08:00 via Android

好像有一个 e 开头的库，跟 es 有关的，谁知道顺便告诉我一下

goinghugh

2020-12-16 09:52:57 +08:00

lucene?

MinQ

2020-12-16 10:01:22 +08:00

这种起个 redis，value 用 set 存，key 就是关键词？

molika

2020-12-16 10:16:16 +08:00

@MinQ 要在大量文本里面查找并确认每一个存在的 key

molika

2020-12-16 10:16:35 +08:00

@lpts007 我也想知道 es 太重了跑不动

molika

2020-12-16 10:17:02 +08:00

@goinghugh 恩目前在用这个了

molika

2020-12-16 10:17:35 +08:00

@fuxiuyin 收到~

laminux29

2020-12-16 10:27:52 +08:00

这种问题，建议按经济实力去考虑。

1.如果经济条件欠发达，建议用时间换成本的做法：

3 个表：用户表、关键词表、关键词与用户对应表。

每个表都不能有重复的，来节约存储空间与内存，但牺牲的是计算量、计算时间。

2.如果经济条件发达，玩法就完全不一样了，核心原则就变成了节约时间：

2.1 用户数据相关的 2 种表：

2.1.1 用户表：
可以重复的用户表。用户数据录入到这个表，但不从这个表取数据。

不可重复的用户表，数据是从上表，通过最终一致性 + 散列分布式 + 流式处理到该表里。数据取出也是从这个表取，这样子处理，取出速度最快。

2.2.2 用户-关键词表：
该表本质是用于节约时间，是一种冗余表。这种表也同上，做两款，一款拿来录入数据，允许重复；一款拿来高速取出数据，不允许数据重复。

2.2 关键词数据相关的表：
同与上面的用户数据表，一共 2 种：关键词表与冗余的关键词-用户表。做法也同上，每种表也做重复与不重复两套。

总结一下，以上一共 8 个表，为节约时间服务，也就是为高速取出数据服务，牺牲了存储空间与内存。

另外，如果存储用的是高级存储设备或做了软阵列或分布式副本提速，需要考虑数据录入速率与存储底层条带化结构（ raid 0 ）或分布式散列结构的关系，以及数据取出时与存储底层镜像化（ raid 1 ）或分布式副本化的关系。也就是在读写时，画个流程图，思考一下底层存取逻辑与读写性能的关系。

MinQ

2020-12-16 10:28:49 +08:00

@molika 这是两个任务，在大量文本里面查找并确认每一个存在的 key 是个全文搜索任务。如果待搜索全文不需要存储的话直接把字典加载到内存里，然后跑 AC 自动机？

mosliu

2020-12-16 10:40:24 +08:00

看上去是索引与倒排索引，第一反应是 es 下一个反应是图数据库。。
然后仔细看看是要在一段文本中查询指定 key 的算法。

可以 key 生成树，然后文本中，按树节点取匹配吧。

brezp

2020-12-16 11:49:57 +08:00

es 也不是很重阿 , 如果你只有这个业务用到 ES ,完全起一个单实例的 ES 来做就可以了, 你想这么多方案, 部署个 ES 和建几个索引都不用一上午

brezp

2020-12-16 11:53:20 +08:00

我看你这个像个 ETL 多一点 , 你主题写的只是一个规则, 来什么来存都可以吧

molika

2020-12-16 13:37:37 +08:00

@brezp 主要是做大量文本命中 key 这个事情.

molika

2020-12-16 13:47:40 +08:00

各位大佬们已经 ac 自动机+ kv 处理了