最快的 PHP 单词匹配例程

Question

在 PHP 中获取关键字列表并将其与所有单词的搜索结果（如标题数组）进行匹配的最快方法是什么？

例如，如果我的关键字词组是“很棒的皮鞋”，那么以下标题将匹配...

• 得到一些真正的很棒的皮鞋强>
• 皮鞋很棒
• 很棒一天！这些是一些很酷的皮鞋！
• 鞋子，由皮革制成，可以很棒

...而这些不会匹配：

• >皮鞋今天特价！
• 你一定会非常喜欢这些皮鞋
• 很棒的鞋子价格不菲

我想有一些数组函数或RegEx（正则表达式）的技巧可以快速实现这一点。

Answer 1

我会为标题中的单词使用索引，并测试每个搜索词是否都在该索引中：

$terms = explode(' ', 'great leather shoes');
$titles = array(
    'Get Some Really Great Leather Shoes',
    'Leather Shoes Are Great',
    'Great Day! Those Are Some Cool Leather Shoes!',
    'Shoes, Made of Leather, Can Be Great'
);
foreach ($titles as $title) {
    // extract words in lowercase and use them as key for the word index
    $wordIndex = array_flip(preg_split('/\P{L}+/u', mb_strtolower($title), -1, PREG_SPLIT_NO_EMPTY));
    // look up if every search term is in the index
    foreach ($terms as $term) {
        if (!isset($wordIndex[$term])) {
            // if one is missing, continue with the outer foreach
            continue 2;
        }
    }
    // echo matched title
    echo "match: $title";
}

Answer 2

你可以 preg_grep() 你的数组针对类似的东西

 /^(?=.*?\bgreat)(?=.*?\bleather)(?=.*?\shoes)/

或（可能更快）分别 grep 每个单词，然后 array_intersect 结果

Answer 3

这可能是一个非常幼稚的解决方案（很可能有更高效/优雅的解决方案），但我可能会做类似以下的事情：

$keywords = array(
    'great',
    'leather',
    'shoes'
);

$titles = array(
    'Get Some Really Great Leather Shoes',
    'Leather Shoes Are Great',
    'Great Day! Those Are Some Cool Leather Shoes!',
    'Shoes, Made of Leather, Can Be Great',
    'Leather Shoes on Sale Today!',
    'You\'ll Love These Leather Shoes Greatly',
    'Great Shoes Don\'t Come Cheap'
);

$matches = array();
foreach( $titles as $title )
{
  $wordsInTitle = preg_split( '~\b(\W+\b)?~', $title, null, PREG_SPLIT_NO_EMPTY );
  if( array_uintersect( $keywords, $wordsInTitle, 'strcasecmp' ) == $keywords )
  {
    // we have a match
    $matches[] = $title;
  }
}

var_dump( $matches );

不知道这个基准如何。

Answer 4

您可以使用

/(?=.*?\great\b)(?=.*?\bshoes\b)(?=.*?\bleather\b)/

注意以下几点：

a）您需要两端都有单词边界，否则您最终可能会匹配包含您正在寻找的单词，例如“shoes of Leather Bring Greatness”。

b）我使用惰性通配符匹配（即.*？）。这提高了效率，因为默认情况下 * 是贪婪的（即它消耗尽可能多的匹配字符，并且只为了整体匹配而放弃它们）。因此，如果我们没有尾随 ?，.* 将匹配行中的所有内容，然后回溯以匹配“great”。然后对“鞋子”和“皮革”重复相同的过程。通过使 * 变得懒惰，我们可以避免这些不必要的回溯。

Answer 5

我不知道绝对最快的方法，但这可能是使用正则表达式执行此操作的最快方法：

'#(?:\b(?>great\b()|leather\b()|shoes\b()|\w++\b)\W*+)++\1\2\3#i'

这会匹配字符串中的每个单词，并且如果该单词恰好是您的单词之一关键字，空捕获组“检查它”。一旦字符串中的所有单词都已匹配，反向引用 (\1\2\3) 将确保三个关键字中的每一个都至少出现一次。

通常建议用于此类任务的基于前瞻的方法需要多次扫描整个字符串 - 每个关键字一次。该正则表达式只需扫描字符串一次 - 事实上，所有格量词 (++, *+) 和原子组 (( ？>...))。

也就是说，我仍然会采用前瞻方法，除非我知道它会造成瓶颈。在大多数情况下，其更高的可读性值得在性能上进行权衡。

Answer 6

我无法为您提供明确的答案，但我会尝试对建议的每个解决方案进行基准测试，并从链接一些 in_array 在一起。

if (in_array('great', $list) && in_array('leather', $list) && in_array('shoes', $list)) {
    // Do something
}