使用倒排索引极速提高字符串搜索效率
摄影：产品经理
中奖中了一顿饭
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。
About The Author
