URL 的最长前缀匹配

Question

我需要有关任何可用于 URL 上的“最长前缀匹配”的标准 python 包的信息。我已经浏览了两个标准包 http://packages.python.org/PyTrie/#pytrie.StringTrie & 'http://pypi.python.org/pypi/trie/0.1.1' 但它们似乎对于 URL 上的最长前缀匹配任务没有用。

例如，如果我的集合有这些 URL 1->http://www.google.com/mail 、 2->http://www.google.com/document 、3->http://www 。 facebook.com 等。

现在，如果我搜索“http://www.google.com/doc”，那么它应该返回 2，搜索“http://www.face”应该返回 3。

我想确认如果有任何标准的 python 包可以帮助我做到这一点，或者我应该实现一个 Trie 来进行前缀匹配。

我并不是在寻找正则表达式类型的解决方案，因为它随着 URL 数量的增加而不可扩展。

多谢。

Answer 1

性能比较

suffixtree 与 pytrie 与 trie 与 datrie 与 startswith -functions

设置

记录的时间是 3 次重复 1000 次搜索中的最短时间。特里结构构建时间包含在内并分布在所有搜索中。对 1 到 1000000 项的主机名集合执行搜索。

搜索字符串的三种类型：

• non_existent_key - 字符串没有匹配
• rare_key - 大约百万分之 20
• frequent_key - 出现次数为与集合大小相当的

结果

Maximum memory consumption for a million urls:

| function    | memory, | ratio |
|             |     GiB |       |
|-------------+---------+-------|
| suffix_tree |   0.853 |   1.0 |
| pytrie      |   3.383 |   4.0 |
| trie        |   3.803 |   4.5 |
| datrie      |   0.194 |   0.2 |
| startswith  |   0.069 |   0.1 |
#+TBLFM: $3=$2/@3$2;%.1f

要重现结果，运行 trie 基准代码。

• 稀有密钥/不存在的密钥情况

  如果 url 数量小于 10000，则 datrie 是最快的，对于
  N>10000 - 平均而言，suffixtree 更快，startwith 明显更慢。

• 轴：

  • 垂直（时间）刻度约为 1 秒（2**20 微秒）
  • 横轴显示每种情况下的网址总数：N= 1、10、100、1000、10000、100000 和 1000000（一百万）。

• frequent_key

  Upto N=100000 datrie 是最快的（对于一百万个网址，时间为
  由 trie 构建时间主导）。

  在找到的匹配项中查找最长的匹配项所花费的时间最多。因此，所有函数的行为都与预期相似。

startswith - 时间性能与密钥类型无关。

trie 和 pytrie 的行为彼此相似。

无需 trie 构建时间的性能

• datrie - 最快、体面的内存消耗

• startswith< /code> 在这里处于更不利的地位，因为其他方法不会因构建 trie 所需的时间而受到惩罚。

• datrie、pytrie、trie - 对于稀有/不存在的密钥几乎为 O(1)（恒定时间）

拟合（近似）已知函数的多项式进行比较（与图中相同的对数/对数比例）：

| Fitting polynom              | Function          |
|------------------------------+-------------------|
| 0.15  log2(N)   +      1.583 | log2(N)           |
| 0.30  log2(N)   +      3.167 | log2(N)*log2(N)   |
| 0.50  log2(N)   +  1.111e-15 | sqrt(N)           |
| 0.80  log2(N)   +  7.943e-16 | N**0.8            |
| 1.00  log2(N)   +  2.223e-15 | N                 |
| 2.00  log2(N)   +  4.446e-15 | N*N               |

Answer 2

此示例适用于小型 url 列表，但扩展性不佳。

def longest_prefix_match(search, urllist):
    matches = [url for url in urllist if url.startswith(search)]
    if matches:
        return max(matches, key=len)
    else:
        raise Exception("Not found")

使用 trie 模块的实现。

import trie


def longest_prefix_match(prefix_trie, search):
    # There may well be a more elegant way to do this without using
    # "hidden" method _getnode.
    try:
        return list(node.value for node in prefix_trie._getnode(search).walk())
    except KeyError:
        return list()

url_list = [ 
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

url_trie = trie.Trie()

for url in url_list:
    url_trie[url] = url 

searches = ("http", "http://www.go", "http://www.fa", "http://fail")

for search in searches:
    print "'%s' ->" % search, longest_prefix_match(url_trie, search)

结果：

'http' -> ['http://www.facebook.com', 'http://www.google.com/document', 'http://www.google.com/mail']
'http://www.go' -> ['http://www.google.com/document', 'http://www.google.com/mail']
'http://www.fa' -> ['http://www.facebook.com']
'http://fail' -> []

或使用 PyTrie 给出相同的结果，但列表的顺序不同。

from pytrie import StringTrie


url_list = [ 
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

url_trie = StringTrie()

for url in url_list:
    url_trie[url] = url 

searches = ("http", "http://www.go", "http://www.fa", "http://fail")

for search in searches:
    print "'%s' ->" % search, url_trie.values(prefix=search)

我开始认为 基数树/帕特里夏树 从内存使用角度来看会更好看法。基数树如下所示：

而特里树看起来更像：

Answer 3

下面的函数将返回最长匹配的索引。其他有用的信息也可以轻松提取。

from os.path import commonprefix as oscp

def longest_prefix(s, slist):
    pfx_idx = ((oscp([s, url]), i) for i, url in enumerate(slist))
    len_pfx_idx = map(lambda t: (len(t[0]), t[0], t[1]), pfx_idx)
    length, pfx, idx = max(len_pfx_idx)
    return idx

slist = [
    'http://www.google.com/mail',
    'http://www.google.com/document',
    'http://www.facebook.com',
]

print(longest_prefix('http://www.google.com/doc', slist))
print(longest_prefix('http://www.face', slist))

Answer 4

如果您愿意用 RAM 来换取时间性能，则 SuffixTree 可能会有用。它具有很好的算法特性，例如它可以在线性时间内解决最长公共子串问题。

如果您总是搜索前缀而不是任意子字符串，那么您可以在填充 SubstringDict() 时添加唯一的前缀：

from SuffixTree import SubstringDict

substr_dict = SubstringDict()
for url in URLS: # urls must be ascii (valid urls are)
    assert '\n' not in url
    substr_dict['\n'+url] = url #NOTE: assume that '\n' can't be in a url

def longest_match(url_prefix, _substr_dict=substr_dict):
    matches = _substr_dict['\n'+url_prefix]
    return max(matches, key=len) if matches else ''

SuffixTree 的这种用法似乎不是最佳的，但它是 20-比 @StephenPaulger 的解决方案 [基于 .startswith()] 根据我尝试过的数据，它可能已经足够好了。

要安装 SuffixTree，请运行：

pip install SuffixTree -f https://hkn.eecs.berkeley.edu/~dyoo/python/suffix_trees