1.背景

在美團(tuán)，為了保證單子質(zhì)量，需要對(duì)上單系統(tǒng)創(chuàng)建的每一個(gè)產(chǎn)品進(jìn)行審核。為了提高效率，審核人員積累提煉出了一套關(guān)鍵詞庫(kù)，先基于該詞庫(kù)進(jìn)行自動(dòng)審核過(guò)濾，對(duì)于不包括這些關(guān)鍵詞的產(chǎn)品信息不再需要進(jìn)行人工審核。因此，如何在頁(yè)面中快速的檢測(cè)是否包含了這些關(guān)鍵詞就變得非常重要。

對(duì)于上述問(wèn)題我們描述為如下的形式：

• 給定關(guān)鍵詞集合P={p1,p2,……,pk}，在目標(biāo)串T[1…m]中找到出現(xiàn)了哪些關(guān)鍵詞。

很容易想到的方法就是針對(duì)每個(gè)單詞去匹配一遍，最后總結(jié)出都哪些單詞匹配成功。

考慮KMP算法，單個(gè)關(guān)鍵詞匹配的時(shí)間復(fù)雜度是O(|pk|+m)，所以，所有關(guān)鍵詞都匹配一遍的時(shí)間復(fù)雜度為O(|p1|+m+|p2|+m+…+|pk|+m)。令n=|p1|+…+|pk|，上式化簡(jiǎn)為O(n+km)，因此，當(dāng)關(guān)鍵詞的數(shù)量變得非常多時(shí)，這種算法就變得無(wú)法忍受了。

Alfred V.Aho和Margaret J.Corasick在1974年提出了一個(gè)經(jīng)典的多模式匹配算法-AC算法，這個(gè)算法可以保證對(duì)于給定的長(zhǎng)度為n的文本，和模式集合P{p1,p2,…pm}，在O(n)的時(shí)間復(fù)雜度內(nèi)找到文本中的所有目標(biāo)模式，而與模式集合的規(guī)模m無(wú)關(guān)。

2.AC算法詳解

AC算法的具體實(shí)現(xiàn)方法就是創(chuàng)建一棵前綴樹(shù)，根據(jù)被查找的目標(biāo)字符串，從樹(shù)的根節(jié)點(diǎn)開(kāi)始往葉子節(jié)點(diǎn)逐字符匹配。在這個(gè)過(guò)程中，如果發(fā)生失配，要根據(jù)失配跳轉(zhuǎn)點(diǎn)進(jìn)行跳轉(zhuǎn)，如果找到匹配的模式串則進(jìn)行打印輸出。AC算法在掃描文本時(shí)完全不需要回溯，如果只考慮匹配的過(guò)程，該算法的時(shí)間復(fù)雜度為O(n)，也就是只跟待匹配文本的長(zhǎng)度相關(guān)。

AC算法的實(shí)現(xiàn)可以由如下三個(gè)步驟構(gòu)成：

構(gòu)造前綴樹(shù)

設(shè)置每個(gè)節(jié)點(diǎn)的失配跳轉(zhuǎn)并收集每個(gè)節(jié)點(diǎn)的所有匹配模式串

對(duì)目標(biāo)字符串進(jìn)行搜索匹配

其間共用到三個(gè)函數(shù)：goto，fail，output。

步驟一：構(gòu)造前綴樹(shù)

這里我們考慮模式集合P={“he”,”she”,”his”,”hers”}。

首先是goto函數(shù)的建立，該函數(shù)決定了對(duì)于當(dāng)前狀態(tài)S和條件C，如何得到下一狀態(tài)S’。為了構(gòu)建goto函數(shù)，我們需要建立一個(gè)狀態(tài)轉(zhuǎn)移圖，開(kāi)始，這個(gè)圖只包含一個(gè)狀態(tài)0，然后通過(guò)添加一條從起始狀態(tài)出發(fā)的路徑的方式，依次向圖中輸入每個(gè)關(guān)鍵字keyword，新的頂點(diǎn)和邊被加入到圖表中，這樣就產(chǎn)生了一條能拼寫(xiě)出關(guān)鍵字keyword的路徑。

添加第一個(gè)關(guān)鍵詞“he”得到下圖，其中從狀態(tài)0到狀態(tài)2的路徑就拼寫(xiě)出了關(guān)鍵字“he”；

接著添加第二個(gè)關(guān)鍵字“she”得到下圖，輸出“she”和狀態(tài)5相關(guān)聯(lián)；

增加第三個(gè)關(guān)鍵字“his”得到下圖，當(dāng)我們?cè)黾印癶is”時(shí)，因?yàn)橐呀?jīng)存在一條從狀態(tài)0在輸入h的條件下到達(dá)狀態(tài)1的邊，因此我們這里不需要另外添加一條同樣的邊。這個(gè)輸出的“his”是和狀態(tài)7相關(guān)聯(lián)的；

最后我們添加“hers”得到下圖，輸出“hers”和狀態(tài)9相關(guān)聯(lián)，最后對(duì)除了h和s外的每個(gè)字符都增加一個(gè)從狀態(tài)0到0的循環(huán)；

經(jīng)由上面一系列添加過(guò)程，就構(gòu)造了整個(gè)模式集合的狀態(tài)轉(zhuǎn)移圖，這個(gè)圖也就代表了轉(zhuǎn)向函數(shù)goto。 我們利用偽代碼將goto函數(shù)表示如下，同時(shí)我們?cè)谶@一步驟中構(gòu)造了output函數(shù)，但這個(gè)函數(shù)并不是完整的，需要在步驟二中繼續(xù)完善：

beginnewstate ← 0for i ← 1 util k do enter(yi)for all a such that goto(0,a) == fail do goto(0,a) ← 0 endprocedure enter(a1a2…am): beginstate ← 0j ← 1while goto(state, aj) ≠ fail dobeginstate ← goto(state, aj)j ← j+1endfor p ← j util m dobeginnewstate ← newstate + 1goto(state, ap) ← newstatestate ← newstateendoutput(state) ← {a1a2…am} end

步驟二：設(shè)置每個(gè)節(jié)點(diǎn)的失配跳轉(zhuǎn)

失效函數(shù)fail決定了當(dāng)goto函數(shù)得到的下一個(gè)狀態(tài)無(wú)效時(shí)，應(yīng)該回退到哪一個(gè)狀態(tài)。在構(gòu)造fail函數(shù)時(shí)，我們首先定義狀態(tài)轉(zhuǎn)移圖中狀態(tài)S的深度為從狀態(tài)0到狀態(tài)S的最短路徑。以我們上面構(gòu)造的狀態(tài)轉(zhuǎn)移圖為例，起始狀態(tài)的深度為0，狀態(tài)1和3的深度是1，狀態(tài)2、6、4的深度是2，依次類推。計(jì)算失效函數(shù)的思路是這樣的：首先計(jì)算深度為1 的狀態(tài)的失效函數(shù)值，然后是深度為2的，以此類推，直到所有狀態(tài)的失效函數(shù)值都被計(jì)算出。同時(shí)，我們規(guī)定所有深度為1的狀態(tài)的fail值為0，假設(shè)所有深度小于d的狀態(tài)的fail值都已經(jīng)計(jì)算出，考慮每個(gè)深度為d-1的狀態(tài)r，基于這些已經(jīng)被計(jì)算出的深度為d-1的fail值，我們是可以得到深度為d的fail值的。

令L(Si)為從根節(jié)點(diǎn)到Si節(jié)點(diǎn)的路徑上的所有邊的值的序列，我們從樹(shù)的根節(jié)點(diǎn)開(kāi)始遍歷計(jì)算fail值，如果L(Sj)是L(Si)的一個(gè)后綴，并且是最長(zhǎng)后綴，那么，fail(Si) = Sj。假設(shè)當(dāng)前狀態(tài)為S1，現(xiàn)在要求fail(S1)，S1的前一狀態(tài)我們記為S2，而S2跳到S1的條件為C，也就是S1 = goto(S2,C)，而S2的fail值是已知的，記為S3，也即S3 = fail(S2)，則L(S3)是L(S2)的一個(gè)最長(zhǎng)后綴，假設(shè)S4 = goto(S3,C)存在，那么fail(S1) = S4，如果不存在則測(cè)試S5 = goto(fail(S3),C)，直到得到一個(gè)有效的狀態(tài)為止。這個(gè)計(jì)算的過(guò)程是這樣的：

對(duì)于所有的字符a，如果goto(r,a) = fail，那么什么也不做（當(dāng)r為我們上面構(gòu)造的trie樹(shù)的葉子節(jié)點(diǎn)時(shí)，就符合這種情況）

如果goto(r,a) == s，我們記state = fail?，執(zhí)行state = f(state)零次或者若干次，直到使得goto(state,a) != fail，因?yàn)間oto(0,a) != fail，所以這個(gè)狀態(tài)是一定存在的。

記fail(s) = goto(state,a)。

我們還是以上面構(gòu)造出的狀態(tài)轉(zhuǎn)移圖為例，計(jì)算每個(gè)節(jié)點(diǎn)的fail值，根據(jù)規(guī)定，fail(1) = fail(3) = 0，因?yàn)?和3是深度為1的狀態(tài)。

考慮深度為2的狀態(tài)2、6、4： * 計(jì)算fail(2)，令state = fail(1) = 0，由于goto(0，e) = 0，所以fail(2) = 0 * 計(jì)算fail(4)，令state = fail(3) = 0，由于goto(0，h) = 1，所以fail(4) = 1 * 計(jì)算fail(6)，令state = fail(1) = 0，由于goto(0，i) = 0，所以fail(6) = 0

考慮深度為3的節(jié)點(diǎn)8、7、5： * 計(jì)算fail(8)，令state = fail(2) = 0，因?yàn)間oto(0，r) = 0，所以fail(8) = 0 * 計(jì)算fail(7)，令state = fail(6) = 0，因?yàn)間oto(0，s) = 3，所以fail(7) = 3 * 計(jì)算fail(5)，令state = fail(4) = 1，因?yàn)間oto(1，e) = 2，所以fail(5) = 2

最后考慮深度為4的節(jié)點(diǎn)9： * 計(jì)算fail(9)，令state = fail(8) = 0，因?yàn)間oto(0，s) = 3，所以fail(9) = 3

這樣一來(lái)我們構(gòu)造的fail表如下：

狀態(tài)0123456789

fail值	None	0	0	0	1	2	0	3	0	3

失效函數(shù)創(chuàng)建的偽代碼如下：

beginqueue ← emptyfor each a such that goto(0,a) = s ≠ fail dobeginqueue ← queue U {s}fail(s) ← 0endwhile queue ≠ empty dobeginlet r be the next state in queuequeue ← queue - {r}for each a such that goto(r,a) = s ≠ fail dobeginqueue ← queue U {s}state ← fail(r)while goto(state,a) = fail do state ← fail(state)fail(s) ← goto(state,a)output(s) ← output(s) U output(fail(s))endend end

步驟三：對(duì)目標(biāo)字符串進(jìn)行搜索匹配

上面兩個(gè)步驟都完成了之后就可以開(kāi)始對(duì)目標(biāo)串進(jìn)行搜索了，只需對(duì)目標(biāo)串從頭到尾線性掃描，且沒(méi)有回溯。搜索之前先記錄樹(shù)的當(dāng)前節(jié)點(diǎn)node，初始時(shí)，樹(shù)的當(dāng)前節(jié)點(diǎn)node為根節(jié)點(diǎn)Root。從目標(biāo)串的第一個(gè)字符開(kāi)始，和Root的孩子節(jié)點(diǎn)進(jìn)行匹配，如果不匹配，則目標(biāo)字符串往后挪一個(gè)字符，繼續(xù)在Root的孩子節(jié)點(diǎn)中查找匹配。如果找到匹配的孩子，則目標(biāo)字符串往后挪一個(gè)字符，node變?yōu)槠ヅ渖系暮⒆庸?jié)點(diǎn)。在接下來(lái)的匹配過(guò)程中，如果失配將跳轉(zhuǎn)到node節(jié)點(diǎn)的fail值處繼續(xù)進(jìn)行匹配。在樹(shù)上每次往孩子節(jié)點(diǎn)方向走一步都要檢查該孩子節(jié)點(diǎn)的匹配模式串信息，如果有匹配的模式串信息，則應(yīng)記錄找到了哪些能夠匹配的模式串。

整體的匹配過(guò)程如下代碼所示：

beginstate ← 0for i ← 1 until n dobeginwhile goto(state,ai) = fail do state = fail(state)state ← goto(state,ai)if output(state) ≠ empty thenbeginprint output(state)endend end

3.上單系統(tǒng)中的實(shí)現(xiàn)

在美團(tuán)上單系統(tǒng)中，待匹配的關(guān)鍵詞根據(jù)產(chǎn)品類別進(jìn)行分組，不同品類之間的關(guān)鍵詞具有重疊。如果針對(duì)每個(gè)品類生成一棵狀態(tài)轉(zhuǎn)移樹(shù)固然可行，但是隨著品類的增多，對(duì)內(nèi)存的使用也會(huì)隨之增高。考慮到AC算法的時(shí)間復(fù)雜度與關(guān)鍵詞的數(shù)量無(wú)關(guān)，因此可以考慮將所有品類的關(guān)鍵詞構(gòu)造在同一棵狀態(tài)轉(zhuǎn)移樹(shù)中，每次進(jìn)行匹配時(shí)，在output函數(shù)中對(duì)該關(guān)鍵詞是否屬于該品類做判斷。在上單系統(tǒng)中，關(guān)鍵詞用Keyword類表示，該類的定義如下：

public class Keyword implements Serializable {private Integer id;private Map<Integer, Integer> categoryTypeMap;private String word;private List<Integer> categories; //當(dāng)前的關(guān)鍵詞屬于哪幾個(gè)分類getter and setter ...@Overridepublic boolean equals(Object o) {if (this == o) return true;if (o == null || getClass() != o.getClass()) return false;Keyword keyword = (Keyword) o;if (id != null ? !id.equals(keyword.id) : keyword.id != null) return false;return true;}@Overridepublic int hashCode() {return id != null ? id.hashCode() : 0;}}

其中，categoryTypeMap屬性用來(lái)標(biāo)識(shí)該關(guān)鍵詞在不同品類中所代表的類型，當(dāng)匹配命中時(shí)，根據(jù)類型信息指出其可能違反了哪些條款。

我們用一個(gè)Node類來(lái)代表狀態(tài)轉(zhuǎn)移樹(shù)的一個(gè)節(jié)點(diǎn)，同時(shí)，將goto信息、fail信息和output信息封裝到里面，這樣，這個(gè)類的定義就像下面這樣：

static class Node{int state; //自動(dòng)機(jī)的狀態(tài)，也就是節(jié)點(diǎn)數(shù)字char character = 0; //指向當(dāng)前節(jié)點(diǎn)的字符，也即條件Node failureNode; //匹配失敗時(shí)，下一個(gè)節(jié)點(diǎn)List<Keyword> keywords; //匹配成功時(shí)，當(dāng)前節(jié)點(diǎn)對(duì)應(yīng)的關(guān)鍵詞List<Node> children; //當(dāng)前節(jié)點(diǎn)的子節(jié)點(diǎn)... }

我們用Patterns類來(lái)表示整個(gè)待匹配的模式串，它是對(duì)Node的進(jìn)一步封裝：

public static class Patterns{protected final Node root = new Node();protected List<Node> tree;public Patterns(List<Keyword> keywords) {tree = new ArrayList<Node>();tree.add(root);for(Keyword keyword : keywords){addKeyword(keyword);}setFailNode();}public void addKeyword(Keyword keyword) {char[] wordCharArr = keyword.getWord().toCharArray();Node current = root;for(char currentChar : wordCharArr){if(current.containsChild(currentChar)){current = current.getChild(currentChar);} else {Node node = new Node(table.size(), currentChar, root);current.addChild(node);current = node;tree.add(node);}}current.addKeyword(keyword);}public void setFailNode(){Queue<Node> queue = new LinkedList<Node>();Node node = root;for (Node d1 : node.children)queue.offer(d1);while (!queue.isEmpty()) {node = queue.poll();if (node.children != null) {for (Node curNode : node.children) {queue.offer(curNode);Node failNode = node.failureNode;while (!failNode.containsChild(curNode.character)) {failNode = failNode.failureNode;if (failNode.state == 0) break;}if (failNode.containsChild(curNode.character)) {curNode.failureNode = failNode.getChild(curNode.character);curNode.addKeywords(curNode.failureNode.keywords);}}}}}}

在上單系統(tǒng)中對(duì)關(guān)鍵詞的匹配需要傳遞一個(gè)categoryId，當(dāng)匹配成功時(shí)，我們需要根據(jù)傳遞的類別信息判斷是否應(yīng)該保存當(dāng)前關(guān)鍵詞：

public Set<Keyword> searchKeyword(String data, Integer category) {Set<Keyword> matchResult = new HashSet<Keyword>();Node node = patterns.getRoot();char[] chs = data.toCharArray();for(int i=0; i < chs.length; i++){while (!node.containsChild(chs[i])) {node = node.failureNode;if (node.state == 0) break;}if(node.containsChild(chs[i])){node = node.getChild(chs[i]);if(node.keywords != null){for(Keyword pattern : node.keywords){if (category == null) {matchResult.add(pattern);} else {if (pattern.getCategories().contains(category)) {matchResult.add(pattern);}}}}}}return matchResult; }

算法的測(cè)試結(jié)果如下：

在第二張圖中，有一個(gè)因素沒(méi)有考慮進(jìn)去，就是同樣關(guān)鍵詞數(shù)量，當(dāng)關(guān)鍵詞在文本中出現(xiàn)的次數(shù)較多時(shí)，因?yàn)樾枰闅v找出對(duì)應(yīng)該品類的詞，所以花費(fèi)的時(shí)間會(huì)增加，但整體上還是符合預(yù)期的。

總結(jié)

以上是生活随笔為你收集整理的AC算法在美团上单系统的应用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。