在Python中，如果要判断一个字符串是否在另一个字符串里面，我们可以使用in关键字，例如：
- >>> a = '你说我是买苹果电脑，还是买windows电脑呢？'
- >>> if '苹果' in a:
- ... print('苹果这个词在a字符串里面')
- ...
- 苹果这个词在a字符串里面
如果有多个句子和多个关键字，那么可以使用for循环来实现：
- sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',
- '人生苦短我用Python',
- '你TM一天到晚只知道得瑟',
- '不不不，我不是说你，我是说在座的各位都是垃圾。'
- '我cnm你个大sb'
- ]
- keywords = ['垃圾', 'cnm', 'sb', 'TM']
- for sentence in sentences:
- for keyword in keywords:
- if keyword in sentence:
- print(f'句子: 【{sentence}】包含脏话：【{keyword}】')
运行效果如下图所示：
现在如果有100000000个句子，有1000个关键字，那么你需要对比1000亿次才能全部查询完成。这个时间代价太大了，如果Python一秒钟能运行500万次查询(实际上没有这么快)，那么1000亿次查询需要20000秒，接近6小时。而且，由于in关键字的时间复杂度为O(n)，如果有大量长句子，查询时间会更长。
例如，我们要从下面的句子里面寻找cnm。
- sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',
- '人生苦短我用Python',
- '你TM一天到晚只知道得瑟',
- '不不不，我不是说你，我是说在座的各位都是垃圾。',
- '我cnm你个大sb',
- '各位同学，Good Morning！',
- '网络这个单词，它的英文为Network',
- '我不想听到有人说cnm！'
- ]
如果使用常规方法，那么我们的做法是：
- cnm在你说我是买苹果电脑，还是买windows电脑呢?中吗?不在!
- cnm在人生苦短我用Python吗?不在!
- ……
- ……
- cnm在我cnm你个大sb吗?在!
- cnm在各位同学，Good Morning!吗?不在!
- CMN在网络这个单词，它的英文为Network吗?不在!
- cnm在我不想听到有人说cnm!吗?在!
于是就知道了，cnm在sentences列表下标为4和7的这两个句子中。
下面，我们换一个看起来更笨的办法：
要找到cnm在哪几句里面，可以变成：寻找C、N、M这三个字母在哪几句里面。然后，再找到同时有这三个字母的句子:
- C在4, 7句
- N在4，6，7句
- M在2, 4，5，7句
所以，{4, 7} 与 {4, 6, 7} 与 {4, 5, 7}做交集，得到{4, 7}说明cnm这个词很有可能是在第4句和第7句。
为什么说很可能呢?因为假如再添加一句话：今天我们学习三个单词：Cat, Network, Morning。这一句也会被认为包含cnm这个词，但实际上它只是同时包含了C、N、M三个字母而已。
接下来，有人会问了：原来直接查询cnm的时候，只需要查询8次就可以了。现在你分别查询C N M要查询24次。你是修复了查询时间太短的bug吗?
回答这个问题之前，我们再来看另一个问题。
Python里面，当我要判断字母C是不是在句子我不想听到有人说cnm!里面时，Python是如何工作的?
实际上，它的工作原理可以写成：
- sentence = '我不想听到有人说cnm！'
- for char in sentence:
- if char == 'C':
- print('C在这个字符串中')
- break
如果要判断C、N、M是不是都在这个字符串我不想听到有人说cnm!中，同一个字符串会被遍历3次。有没有办法减少这种看起来多余的遍历操作呢?
如果我们把我不想听到有人说cnm!这个句子转成字典会怎么样：
- sentence = '我不想听到有人说cnm！'
- sentence_dict = {char: 1 for char in sentence}
- for letter in 'cnm':
- if letter in sentence_dict:
- print(f'字母{letter}在句子中！')
这样一来，只需要在生成字典的时候遍历句子一次，减少了2次冗余遍历。并且，判断一个元素是否在字典里面，时间复杂度为O(1)，速度非常快。
我不想听到有人说cnm!生成的字典为{'我': 1, '不': 1, '想': 1, '听': 1, '到': 1, '有': 1, '人': 1, '说': 1, 'C': 1, 'N': 1, 'M': 1, '!': 1}。那么如果要把列表里面的所有句子都这样处理，又怎么存放呢?此时，字典的Key就是每一个字符，而Value可以是每一句话在原来列表中的索引：
- sentences = ['你说我是买苹果电脑，还是买windows电脑呢？',
- '人生苦短我用Python',
- '你TM一天到晚只知道得瑟',
- '不不不，我不是说你，我是说在座的各位都是垃圾。',
- '我cnm你个大sb',
- '各位同学，Good Morning！',
- '网络这个单词，它的英文为Network',
- '我不想听到有人说cnm！']
- index_dict = {}
- for index, line in enumerate(sentences):
- print(index, line)
- for char in line:
- if not char.strip():
- continue
- if char in index_dict:
- index_dict[char].add(index)
- else:
- index_dict[char] = {index}
生成的字典为：
- {'B': {4},
- 'C': {4, 7},
- 'G': {5},
- 'M': {2, 4, 5, 7},
- 'N': {4, 6, 7},
- 'P': {1},
- 'S': {4},
- 'T': {2},
- 'd': {0, 5},
- 'e': {6},
- 'g': {5},
- 'h': {1},
- 'i': {0, 5},
- 'k': {6},
- 'n': {0, 1, 5},
- 'o': {0, 1, 5, 6},
- 'r': {5, 6},
- 's': {0},
- 't': {1, 6},
- 'w': {0, 6},
- 'y': {1},
- '。': {3},
- '一': {2},
- '不': {3, 7},
- '个': {4, 6},
- '为': {6},
- '买': {0},
- '人': {1, 7},
- '位': {3, 5},
- '你': {0, 2, 3, 4},
- '到': {2, 7},
- '单': {6},
- '只': {2},
- '各': {3, 5},
- '同': {5},
- '听': {7},
- '呢': {0},
- '在': {3},
- '圾': {3},
- '垃': {3},
- '大': {4},
- '天': {2},
- '学': {5},
- '它': {6},
- '座': {3},
- '得': {2},
- '想': {7},
- '我': {0, 1, 3, 4, 7},
- '文': {6},
- '是': {0, 3},
- '晚': {2},
- '有': {7},
- '果': {0},
- '瑟': {2},
- '生': {1},
- '用': {1},
- '电': {0},
- '的': {3, 6},
- '知': {2},
- '短': {1},
- '络': {6},
- '网': {6},
- '脑': {0},
- '苦': {1},
- '英': {6},
- '苹': {0},
- '词': {6},
- '说': {0, 3, 7},
- '还': {0},
- '这': {6},
- '道': {2},
- '都': {3},
- '！': {5, 7},
- '，': {0, 3, 5, 6},
- '？': {0}}
生成的字典这么长，看起来非常可怕。但是别慌，毕竟不是你人肉寻找。对Python来说，字典里面无论有多少个Key，它的查询时间都是一样的。
现在，我们要寻找C、N、M，于是代码可以写为：
- index_list = []
- for letter in 'cnm':
- index_list.append(index_dict.get(letter, {}))
- common_index = set.intersection(*index_list) # 对包含各个字母的索引做交集，得到同时包含3个字母的句子
- print(f'这几个句子里面同时含有`C`、`N`、`M`：{common_index}')
- for index in common_index:
- print(sentences[index])
运行结果如下：
所以，对于一组需要被查询的关键字，也可以这样搜索：
- keywords = ['垃圾', 'cnm', 'sb', 'TM']
- for word in keywords:
- index_list = []
- for letter in word:
- index_list.append(index_dict.get(letter, {}))
- common_index = set.intersection(*index_list)
- print(f'>>这几个句子里面同时含有：{word}')
- for index in common_index:
- print(sentences[index])
运行效果如下图所示：
看完这篇文章以后，你已经学会了倒排索引(Inverted-index)。这是Google搜索的核心算法之一。
可以看出，对于少量数据的搜索，倒排索引并不会比常规方法节约多少时间。但是当你有100000000条句子，1000个关键词的时候，用倒排索引实现搜索，所需要的时间只有常规方法的1/10甚至更少。
最后回到前面遇到的一个问题，当句子里面同时含有字母C、N、M，虽然这三个字母并不是组合在一起的，也会被搜索出来。这就涉及到搜索引擎的另一个核心技术——分词了。对于英文而言，使用空格来切分单词就好了。但是对于中文来说，不同的汉字组合在一起构成的词语，字数是不一样的。甚至有些专有名词，可能七八个字，但是也要作为整体来搜索。
分词的具体做法，又是另外一个故事了。
本文转载自微信公众号「未闻Code」，可以通过以下二维码关注。转载本文请联系未闻Code公众号。
