撒列实现关键字过滤，速度可快了

一直对搜索、过滤很好奇，觉得他们很有技术含量，只有非常NB的人才能做。很想知道他们的原理，实现这样的功能，设计是不是必须得非常NB非常奇特，代码是不是要写得非常好，性能非常高。总之这一切都不是我这样级别的人能做的。直到我看了《编程珠玑(第二版)》中的这么一段文字：

“假定我们可以在执行搜索之前对文本内容进行预处理，那么我们可以建立一个撒列表（或者搜索树），为文档中的每个不同的单词建立索引，并为每个单词的每次出现存储一个链表，这样的逆向索引使得程序可以很快的找到给定的单词，为了查找短语，我们可以对其中包含的每个单词的链表进行交叉，但实现起来比较复杂，速度可能会很慢。（不过一些网页搜索引擎用的就是这样的方法）”

思路就这么简单，我靠！连有的搜索引擎也用这种思路。这种撒列的方式处理关键字过滤速度的确是蛮快，10000个字组织成一个撒列表也就几毫秒，只要你预分配的内存较好，基本上没什么操作，就是向内存中填数据。在撒列表中判断一个键是否存在的时间复杂度为O(1),其实还可以自己重写Dictionary，关键字过滤的效率可能会更好点。

实现的思路比较简单：

1：处理关键字，生成一个关键字字典表

2：处理要过滤的文本，同样生成一个字典表

3：将文本，两个字典表三者进行比对

 

现在来测试下面一段文字（我上篇博客中的一段文字）：

"看云风博客关于解决12306并发问题的启发：我现在做骏卡接口，可能出现并发问题，就是一个订单可能向我们的接口发送多个请求，而我现在做的方法是去数据库中对应的表验证，看订单是否存在，如果存在就提示一下，如果不存在按流程走，但是这个样每来一个订单我都需要去数据库查，如果我在内存中维护一个订单集合，这样就能很快解决判断订单是否存在的问题，惯性思维太严重了，什么都去数据库查，这样的性能是最差的，其实很多问题在内存中就可以搞定的，最近还有一个特别感受，不要做井底之蛙，多看牛人的东西收获真的比自己埋头写代码进步快很多，其实很多时候我写的程序性能差，效率低都是因为方法的原因，没有找到好的方法，没有灵光一闪的感觉，用了最烂的方法解决问题"

 

测试代码：

class Program
    {
        static void Main(string[] args)
        {
            string keys = "云风博客|并发问题|最烂的方法|内存|集合|数据库|性能";
           
            using (new OperationTimer("keyWords:"))
            {
                WordSearch ws = new WordSearch(keys);
                string str = "看云风博客关于解决12306并发问题的启发：我现在做骏卡接口，可能出现并发问题，就是一个订单可能向我们的接口发送多个请求，而我现在做的方法是去数据库中对应的表验证，看订单是否存在，如果存在就提示一下，如果不存在按流程走，但是这个样每来一个订单我都需要去数据库查，如果我在内存中维护一个订单集合，这样就能很快解决判断订单是否存在的问题，惯性思维太严重了，什么都去数据库查，这样的性能是最差的，其实很多问题在内存中就可以搞定的，最近还有一个特别感受，不要做井底之蛙，多看牛人的东西收获真的比自己埋头写代码进步快很多，其实很多时候我写的程序性能差，效率低都是因为方法的原因，没有找到好的方法，没有灵光一闪的感觉，用了最烂的方法解决问题";
                ConsoleColor color = Console.ForegroundColor;
                Console.ForegroundColor = ConsoleColor.Red;
                Console.WriteLine("原文：");
                Console.ForegroundColor = color;
                Console.WriteLine(str);
                Console.WriteLine();
                Console.ForegroundColor = ConsoleColor.Red;
                Console.WriteLine("过滤后：");
                Console.ForegroundColor = color;
                Console.WriteLine(ws.Filter(str));
            }
            Console.Read();
        }

    }

输出结果截图：

 

另外送上一个简单实用的代码运行时间测试类，测试某段代码的运行时间可是很方便的哦

using System;
using System.Diagnostics;

namespace WordFilter
{
    /// 

    /// 测试代码运行时间帮组类
    /// 
    public class OperationTimer : IDisposable
    {
        private string Text;
        private Int32 collectCount;
        private Stopwatch stopWatch;

        public OperationTimer(string txt)
        {
            PerpareForOperation();
            this.Text = txt;
            collectCount = GC.CollectionCount(0);
            stopWatch = new Stopwatch();
            stopWatch.Start();
        }

        public void Dispose()
        {
            stopWatch.Stop();
            Console.WriteLine("{0} Milliseconds (GCs={1}) {2}", stopWatch.ElapsedMilliseconds, GC.CollectionCount(0) - collectCount, Text);
        }

        private static void PerpareForOperation()
        {
            GC.Collect();
            GC.WaitForPendingFinalizers();
            GC.Collect();
        }
    }
}

 

实现撒列的部分核心代码：

      public Dictionary<char, IList<char>> HandleKeyWords(IEnumerable<string> text, int size)
        {
            Dictionary<char, IList<char>> dicList = new Dictionary<char, IList<char>>(size);//预分配非常关键
            int len, i;
            foreach (string s in text)
            {
                if (s == string.Empty)
                {
                    continue;
                }
                len = s.Length - 1;
                for (i = 0; i < len; i++)
                {
                    if (dicList.ContainsKey(s[i]))
                    {
                        if (dicList[s[i]] != null && !dicList[s[i]].Contains(s[i + 1]))
                        {
                            dicList[s[i]].Add(s[i + 1]);
                        }
                    }
                    else
                    {
                        dicList.Add(s[i], new List<char>(2) { s[i + 1] });
                    }
                }
                if (!dicList.ContainsKey(s[len]))
                {
                    dicList.Add(s[len], null);
                }
            }

            return dicList;
        }

 

我也想贴出全部代码，但是还有一些BUG，功能还有待完善，完善一些了会贴出源码的，在截一张图给大家看看

 

关键字过滤，希望能过滤掉大家不想听的，陈太汉祝大家新年快乐

 

作者：陈太汉

博客：http://www.cnblogs.com/hlxs/