详解PHP优化巨量关键词的匹配

吾爱主题阅读：173 2021-11-16 16:01:00 评论：0

问题由来

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。

原始 - grep

设计

一开始接到任务的时候，我的小心思立刻转了起来，日志 + 关键词 + 统计，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 grep。

grep命令的用法不再多提，使用 grep 'keyword' | wc -l 可以很方便地进行统计关键词命中的信息条数，而php的 exec() 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。

代码

上伪代码：

1 2 3 4 foreach ( $word_list as $keyword ) { $count = intval ( exec ( "grep '{$keyword}' file.log | wc -l" )); record( $keyword , $count ); }

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。

进化 - 正则

设计

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。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，/keyword1|keword2|.../，用|将关键词连接起来即可。

正则小坑

这里介绍两个使用中遇到的小坑：

1.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 pcre.backtrack_limit 参数为最大回溯次数限制，默认值为 1000000，修改或php.ini 或在脚本开始时使用ini_set(‘pcre.backtrack_limit', n); 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=_=）。

2.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：unknown modifier 乱码，仔细检查发现关键词中有/字符，可以使用preg_quote()函数过滤一遍关键词即可。

代码

上伪代码：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 $end = 0; $step = 1500; $pattern = array (); // 先将pattern 拆成多个小块 while ( $end < count ( $word_list )) { $tmp_arr = array_slice ( $word_list , $end , $step ); $end += $step ; $item = implode( '|' , $tmp_arr ); $pattern [] = preg_quote( $item ); } $content = file_get_contents ( $log_file ); $lines = explode ( "\n" , $content ); foreach ( $lines as $line ) { // 使用各小块pattern分别匹配 for ( $i = 0; $i < count ( $pattern ); $i ++) { preg_match_all( "/{$pattern[$i]}/" , $line , $match ); } $match = array_unique ( array_filter ( $match )); dealResult( $match ); }

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

觉醒 - 拆词

设计

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，最终我想到拆词。

为什么叫拆词呢，我考虑以蛮力将一句话拆分为所有可能的词。如我是好人就可以拆成我是、是好、好人、我是好、是好人、我是好人等词，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（如的、是等）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。

代码

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 $str_list = getStrList( $msg ); foreach ( $str_list as $str ) { $keywords = getKeywords( $str ); foreach ( $keywords as $keyword ) { // 直接通过PHP数组的哈希实现来进行快速查找 if (isset( $word_list [ $keyword ])) { record( $keyword ); } } } /** * 从消息中拆出短句子 */ function getStrList( $msg ) { $str_list = array (); $seperators = array ( '，' , '。' , '的' , ...); $words = preg_split( '/(?<!^)(?!$)/u' , $msg ); $str = array (); foreach ( $words as $word ) { if (in_array( $word , $seperators )) { $str_list [] = $str ; $str = array (); } else { $str [] = $word ; } } return array_filter ( $str_list ); } /** * 从短句中取出各个词 */ function getKeywords( $str ) { if ( count ( $str ) < 2) { return array (); } $keywords = array (); for ( $i = 0; $i < count ( $str ); $i ++) { for ( $j = 2; $j < 9; $j ++) { $keywords [] = array_slice ( $str , $i , $j ); // todo 限制一下不要超过数组最大长度 } } return $keywords ; }

结果

我们知道一个 utf-8 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 split() 函数是做不到的。

这里使用了 preg_split('/(?<!^)(?!$)/u', $msg) 是通过正则匹配到两个字符之间的''来将两个字符拆散，而两个括号里的 (?<!^)(?!$) 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

终级 - Trie树

trie树

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 - 四叉树里字典树这一小节，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(huang)这个字的时候，我们会发现它的附近都是读音为huang的，可能是声调有区别，再往前翻，我们会看到读音前缀为huan的字，再往前，是读音前缀为hua的字... 取它们的读音前缀分别为 h qu hua huan huang。我们在查找时，根据 abc...xyz 的顺序找到h前缀的部分，再根据 ha he hu找到 hu 前缀的部分...最后找到 huang，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。

设计

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preg_split()函数拆分为单个字符。如科学家就拆分为科、学、家三个字符。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，我们不知道匹配到科、学两个字符时算不算匹配成功）。检查根部是否有第一个字符(科)节点，如果有了此节点，到步骤4。如果还没有，在根部添加值为科的节点。依次检查并添加学、家两个节点。在结尾添加`节点，并继续下一个关键词的插入。

匹配

然后我们以这位科学家很了不起！为例来发起匹配。

首先我们将句子拆分为单个字符这、位、...；
从根查询第一个字符这，并没有以这个字符开头的关键词，将字符“指针”向后移，直到找到根下有的字符节点科;
接着在节点科下寻找值为学节点，找到时，结果子树的深度已经到了2，关键词的最短长度是2，此时需要在学结点下查找是否有`，找到意味着匹配成功，返回关键词，并将字符“指针”后移，如果找不到则继续在此结点下寻找下一个字符。
如此遍历，直到最后，返回所有匹配结果。

代码

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：

1 2 3 4 5 6 7 $node = array ( 'depth' => $depth , // 深度，用以判断已命中的字数 'next' => array ( $val => $node , // 这里借用php数组的哈希底层实现，加速子结点的查找 ... ), );

然后是树构建时子结点的插入：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 // 这里要往节点内插入子节点，所以将它以引用方式传入 private function insert(& $node , $words ) { if ( empty ( $words )) { return ; } $word = array_shift ( $words ); // 如果子结点已存在，向子结点内继续插入 if (isset( $node [ 'next' ][ $word ])) { $this ->insert( $node [ 'next' ][ $word ], $words ); } else { // 子结点不存在时，构造子结点插入结果 $tmp_node = array ( 'depth' => $node [ 'depth' ] + 1, 'next' => array (), ); $node [ 'next' ][ $word ] = $tmp_node ; $this ->insert( $node [ 'next' ][ $word ], $words ); } }

最后是查询时的操作：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 // 这里也可以使用一个全局变量来存储已匹配到的字符，以替换$matched private function query( $node , $words , & $matched ) { $word = array_shift ( $words ); if (isset( $node [ 'next' ][ $word ])) { // 如果存在对应子结点，将它放到结果集里 array_push ( $matched , $word ); // 深度到达最短关键词时，即可判断是否到词尾了 if ( $node [ 'next' ] > 1 && isset( $node [ 'next' ][ $word ][ 'next' ][ '`' ])) { return true; } return $this ->query( $node [ 'next' ][ $word ], $words , $matched ); } else { $matched = array (); return false; } }

结果

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 key_len * msg_len，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 msg_len * 9(最长关键词长度 + 1个特殊字符)次 hash 查找，即最长关键词类似 AAA，信息内容为 AAA...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

他径 - 多进程

设计

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，必然想到的是并发，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，进程只处理第行数 % n = n 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 split -l n file.log output_pre 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。

结果

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

总结

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。

工欲善其事，必先利其器，要想解决性能问题，掌握系统级的方法还略显不够，有时候换一种数据结构或算法，效果可能会更好。感觉自己在这方面还略显薄弱，慢慢加强吧，各位也共勉。

以上就是详解PHP优化巨量关键词的匹配的详细内容，更多关于PHP优化巨量关键词的匹配的资料请关注服务器之家其它相关文章！

原文链接：https://www.cnblogs.com/zhenbianshu/p/7197349.html

可以去百度分享获取分享代码输入这里。

声明

1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；3.作者投稿可能会经我们编辑修改或补充。