[Python3] 多模式字符串搜索 `Aho-Corasick`
ahocorasick.Automaton 是 Python 中 pyahocorasick 库提供的一个类，用于实现 Aho-Corasick 自动机。Aho-Corasick 算法是一种用于精确或近似多模式字符串搜索的高效算法。
通过
pip install pyahocorasick安装pyahocorasick库。
并且，该模块是用 C 编写的，安装时需要有 C 编译器来编译本机 Cpython 扩展。
使用 ahocorasick.Automaton 类的一般步骤如下：
-
导入
ahocorasick库：import ahocorasick。 -
创建
Automaton对象：a = ahocorasick.Automaton()。 -
（可选）将字符串键及其关联值添加到自动机，可作为 trie 树使用。例如：
for idx, key in enumerate('heherhersshe'.split()):a.add_word(key, (idx, key)) -
调用
make_automaton()方法完成并创建 Aho-Corasick 自动机：a.make_automaton()。
创建好自动机后，可以使用以下主要方法进行搜索操作：
-
iter(string, (start, (end)))：使用提供的输入字符串执行 Aho-Corasick 搜索过程。它返回一个迭代器，为在字符串中找到的键返回元组(end_index, value)，其中end_index是匹配结束的索引位置，value是与匹配的键相关联的值。 -
iter_long(string, (start, (end)))：返回一个搜索最长、非重叠匹配的迭代器（automaton_search_iter_long类的对象）。
以下是一个使用 ahocorasick.Automaton 进行多模式字符串搜索的示例代码：
import ahocorasick as aha = ah.automaton()with open('userdict.txt', 'r', encoding='utf-8') as f2: # 加载文件keywords = (a.strip() for a in f2.readlines()) # 加载关键词# 利用 add_word 方法将关键词加入自动机！for x in range(len(keywords)):a.add_word(keywords[x], (x, keywords[x])) # 第二个参数为自定义的返回值# 创建 aho-corasick 自动机
a.make_automaton()with open('jianjie.txt', 'r', encoding='utf-8') as f: # 打开要检索文档jianjie = f.read() # 读取正文（如果太多，可以分断加载，分段检索）# 开始查找，该方法匹配最长的字符串
for item in a.iter_long(jianjie):print(item)
print('-' * 20)# 开始查找，该方法匹配所有字符串
for item in a.iter(jianjie):print(item)
在上述示例中，首先创建了一个自动机对象 a，然后从文件中读取关键词，并使用 add_word 方法将关键词添加到自动机中。接着调用 make_automaton 方法创建 Aho-Corasick 自动机。最后，通过打开另一个文件读取要搜索的正文，并使用 iter_long 和 iter 方法进行匹配查找，并打印出匹配的结果。
Aho-Corasick 自动机的优点包括能够在一次运行中找到给定集合所有字符串，适用于多模式字符串匹配的场景，例如网络内容过滤、版权检测、病毒扫描等，在自然语言处理中查找特定词汇或模式，以及生物信息学中在 DNA 或蛋白质序列分析中寻找特定的序列模式等方面都有应用。