前些天工作中遇到一个问题：
有 60万 条短消息记录日志，每条约 50 字，5万 关键词，长度 2-8 字，绝大部分为中文。要求将这 60万 条记录中包含的关键词全部提取出来并统计各关键词的命中次数。
本文完整介绍了我的实现方式，看我如何将需要运行十小时的任务优化到十分钟以内。虽然实现语言是 PHP，但本文介绍的更多的思想，应该能给大家一些帮助。
一开始接到任务的时候，我的小心思立刻转了起来，，我没有想到自己写代码实现，而是首先想到了 linux 下常用的日志统计命令 。
命令的用法不再多提，使用 可以很方便地进行统计关键词命中的信息条数，而php的 函数允许我们直接调用 linux 的 shell 命令，虽然这样执行危险命令时会有安全隐患。
在一台老机器上跑的，话说老机器效率真的差，跑了6小时。估计最新机器2-3小时吧，后面的优化都使用的新机器，而且需求又有变动，正文才刚刚开始。
原始，原始在想法和方法。
交了差之后，第二天产品又提出了新的想法，说以后想把某数据源接入进来，消息以数据流的形式传递，而不再是文件了。而且还要求了消息统计的实时性，一下把我想把数据写到文件再统计的想法也推翻了，为了方案的可扩展性，现在的统计对象不再是一个整体，而是要考虑拿n个单条的消息来匹配了。
这时，略懵的我只好祭出了最传统的工具- 。正则的实现也不难，各个语言也都封装好了正则匹配函数，重点是模式(pattern)的构建。
当然这里的模式构建也不难，，用将关键词连接起来即可。
这里介绍两个使用中遇到的小坑：
正则模式长度太长导致匹配失败：
PHP 的正则有回溯限制，以防止消耗掉所有的进程可用堆栈, 最终导致 php 崩溃。太长的模式会导致 PHP 检测到回溯过多，中断匹配，经测试默认设置时最大模式长度为 32000 字节 左右。
php.ini 内 参数为最大回溯次数限制，默认值为 1000000，修改或 或在脚本开始时使用 将其设置为一个较大的数可以提高单次匹配最大模式长度。当然也可以将关键词分批统计（我用了这个=_=）。
模式中含有特殊字符导致大量warning：
匹配过程中发现 PHP 报出大量 warning：，仔细检查发现关键词中有字符，可以使用函数过滤一遍关键词即可。
为了完成任务，硬着头皮进程跑了一夜。当第二天我发现跑了近十个小时的时候内心是崩溃的。。。太慢了，完全达不到使用要求，这时，我已经开始考虑改换方法了。
当产品又改换了关键词策略，替换了一些关键词，要求重新运行一遍，并表示还会继续优化关键词时，我完全否定了现有方案。绝对不能用关键词去匹配信息，这样一条一条用全部关键词去匹配，效率实在是不可忍受。
进化，需求和实现的进化
我终于开始意识到要拿信息去关键词里对比。如果我用关键词为键建立一个 hash 表，用信息里的词去 hash 表里查找，如果查到就认为匹配命中，这样不是能达到 O(1) 的效率了么？
可是一条短消息，我如何把它拆分为刚好的词去匹配呢，分词？分词也是需要时间的，而且我的关键词都是些无语义的词，构建词库、使用分词工具又是很大的问题，最终我想到 。
为什么叫拆词呢，我考虑以蛮力将一句话拆分为词。如就可以拆成 等词，我的关键词长度为 2-8，所以可拆词个数会随着句子长度迅速增加。不过，可以用标点符号、空格、语气词（如等）作为分隔将句子拆成小短语再进行拆词，会大大减少拆出的词量。
其实分词并没有完整实现就被后一个方法替代了，只是一个极具实现可能的构想，写这篇文章时用伪代码实现了一下，供大家参考，即使不用在匹配关键词，用在其他地方也是有可能的。
我们知道一个 的中文字符要占用三个字节，为了拆分出包含中英文的每一个字符，使用简单的 函数是做不到的。
这里使用了 是通过正则匹配到两个字符之间的来将两个字符拆散，而两个括号里的 是分别用来限定捕获组不是第一个，也不是最后一个（不使用这两个捕获组限定符也是可以的，直接使用作为模式会导致拆分结果在前后各多出一个空字符串项）。 捕获组的概念和用法可见我之前的博客 PHP正则中的捕获组与非捕获组
由于没有真正实现，也不知道效率如何。估算每个短句长度约为 10 字左右时，每条短消息约50字左右，会拆出 200 个词。虽然它会拆出很多无意义的词，但我相信效率绝不会低，由于其 hash 的高效率，甚至我觉得会可能比终极方法效率要高。
最终没有使用此方案是因为它对句子要求较高，拆词时的分隔符也不好确定，最重要的是它不够优雅。。。这个方法我不太想去实现，统计标识和语气词等活显得略为笨重，而且感觉拆出很多无意义的词感觉效率浪费得厉害。
觉醒，意识和思路的觉醒
于是我又来找谷哥帮忙了，搜索大量数据匹配，有人提出了 使用 trie 树的方式，没想到刚学习的 trie 树的就派上了用场。我上上篇文章刚介绍了 trie 树，在空间索引 - 四叉树 里这一小节，大家可以查看一下。
当然也为懒人复制了一遍我当时的解释(看过的可以跳过这一小节了)。
字典树，又称前缀树或 trie 树，是一种有序树，用于保存关联数组，其中的键通常是字符串。与二叉查找树不同，键不是直接保存在节点中，而是由节点在树中的位置决定。一个节点的所有子孙都有相同的前缀，也就是这个节点对应的字符串，而根节点对应空字符串。
我们可以类比字典的特性：我们在字典里通过拼音查找晃()这个字的时候，我们会发现它的附近都是读音为的，可能是声调有区别，再往前翻，我们会看到读音前缀为的字，再往前，是读音前缀为的字... 取它们的读音前缀分别为 。我们在查找时，根据 的顺序找到前缀的部分，再根据 找到 前缀的部分...最后找到 ，我们会发现，越往后其读音前缀越长，查找也越精确，这种类似于字典的树结构就是字典树，也是前缀树。
那么 trie 树怎么实现关键字的匹配呢? 这里以一幅图来讲解 trie 树匹配的过程。
其中要点：
构造trie树
- 将关键词用上面介绍的函数拆分为单个字符。如就拆分为三个字符。
- 在最后一个字符后添加一个特殊字符 ，此字符作为一个关键词的结尾（图中的粉红三角），以此字符来标识查到了一个关键词（不然，我们不知道匹配到两个字符时算不算匹配成功）。
- 检查根部是否有第一个字符()节点，如果有了此节点，到。 如果还没有，在根部添加值为的节点。
- 依次检查并添加 两个节点。
- 在结尾添加节点，并继续下一个关键词的插入。
匹配
然后我们以 为例来发起匹配。
完整代码我已经放到了GitHub上：Trie-GitHub-zhenbianshu，这里放上核心。
首先是数据结构树结点的设计，当然它也是重中之重：
然后是树构建时子结点的插入：
最后是查询时的操作：
结果当然是喜人的，如此匹配，处理一千条数据只需要3秒左右。找了 Java 的同事试了下，Java 处理一千条数据只需要1秒。
这里来分析一下为什么这种方法这么快：
正则匹配：要用所有的关键词去信息里匹配匹配次数是 ，当然正则会进行优化，但基础这样，再优化效率可想而知。
而 trie 树效率最差的时候是 次 hash 查找，即最长关键词类似 ，信息内容为 时，而这种情况的概率可想而知。
至此方法的优化到此结束，从每秒钟匹配 10 个，到 300 个，30 倍的性能提升还是巨大的。
终级，却不一定是终极
匹配方法的优化结束了，开头说的优化到十分钟以内的目标还没有实现，这时候就要考虑一些其他方法了。
我们一提到高效，必然想到的是 ，那么接下来的优化就要从并发说起。PHP 是单线程的（虽然也有不好用的多线程扩展），这没啥好的解决办法，并发方向只好从多进程进行了。
那么一个日志文件，用多个进程怎么读呢？这里当然也提供几个方案：
进程内添加日志行数计数器，各个进程支持传入参数 n，进程只处理第 的日志，这种 hack 的反向分布式我已经用得很熟练了，哈哈。
这种方法需要进程传参数，还需要每个进程都分配读取整个日志的的内存，而且也不够优雅。
使用 linux 的 命令，将文件分割为每份为 n 行的文件，然后用多个进程去读取多个文件。
此方法的缺点就是不灵活，想换一下进程数时需要重新切分文件。
使用 Redis 的 list 队列临时存储日志，开启多个进程消费队列。
此方法需要另外向 Redis 内写入数据，多了一个步骤，但它扩展灵活，而且代码简单优雅。
最终使用了第三种方式来进行。
这种方式虽然也会有瓶颈，最后应该会落在 Redis 的网络 IO 上。我也没有闲心开 n 个进程去挑战公司 Redis 的性能，运行 10 个进程三四分钟就完成了统计。即使再加上 Redis 写入的耗时，10分钟以内也妥妥的。
一开始产品对匹配速度已经有了小时级的定位了，当我 10 分钟就拿出了新的日志匹配结果，看到产品惊讶的表情，心里也是略爽的，哈哈~
他径，也能帮你走得更远
解决问题的方法有很多种，我认为在解决各种问题之前，要了解很多种知识，即使只知道它的作用。就像一个工具架，你要先把工具尽量摆得多，才能在遇到问题时选取一个最合适的。接着当然要把这些工具用是纯熟了，这样才能使用它们去解决一些怪异问题。
以上就是本篇文章【小时到分钟 - 一步步优化巨量关键词的匹配】的全部内容了，欢迎阅览 ！ 文章地址：http://dfvalve.xrbh.cn/quote/3298.html 行业 资讯 企业新闻 行情 企业黄页 同类资讯 网站地图 返回首页 迅博思语资讯移动站 http://keant.xrbh.cn/ , 查看更多