PHP-TrieTree

composer安装

composer require abelzhou/php-trie-tree

这是一个PHP的字典树

• v1.0
  • 命中一个后返回
• v2.0
  • 支持命中多个返回
  • 支持在树梢增加自定义数组 [替换内容]
  • 性能提升10倍
• v3.0
  • 增加删除特性
    • 删除整棵关键词树
  • 解决命中不全BUG
  • 3.1
    • 增加词库数量统计
  • 3.5
    • 清除词库数量统计 [没有什么意义]
    • 增加Suggestion特性 根据某个word提取相关的词语
      • 所有检索依据字典
      • 提取关联词均为从左至右原则
      • 因为个人更倾向其为一个“组件服务”，所以增加拼音索引需要主动增加
  • 3.6
    • 修正一个关联词的小bug
    • 增加demo httpserver

使用场景

• 敏感词过滤
• 内链建设
• 搜索框提示

DEMO

- 需要swoole扩展，直接运行swoole_server.php
- 测试内容为5000个人名

性能

test目录下有个1.5w左右的敏感词。
mac下检索耗时2~5毫秒左右
这些敏感词来自网络，不是很全。
感知提取50个词以内1ms以内，500个词在3ms左右
最近再尝试改成AC自动机，但中英文差异性比较大。英文单节点变化度可控(26+10)所以比较合适AC自动机，中文会带来额外的性能开销，所以该算法暂时不采用。

注意

• 在即时场景中（即时更新关键词），如果关键词数量较大，到十万甚至百万级别，尽量不要使用CGI模式，首次加载需要较大的性能开销，多个进程同时使用会造成一定的内存浪费，整体性能会下降，会拖垮web服务。这种情况下建议使用swoole单独封装服务，目前十万级别的关键词，已经在生产环境中验证过并运行良好。
• 要严格控制关键词深度，关键词不宜过长，汉字的话最好10个汉字以内。
• 在非即时场景中可以使用计划任务、常驻脚本等方式对内容进行处理。

计划

• [ ] 重新修订命名
• [ ] 协承版本

代码示例

$testArr = array("张三","张四","王五","张大宝","张三四","张氏家族","王二麻子");

$tree = new \AbelZhou\Tree\TrieTree();
foreach ($testArr as $str){
    $tree->append($str);
}
$res = $tree->getTree();
var_dump($res);
$res = $tree->search("有一个叫张三的哥们");
var_dump($res);
$res = $tree->search("我叫李四喜");
var_dump($res);
//删除
$res = $tree->delete("张三");
//删除整棵树 连带“张三”和张三下的“张三四”一并删除
$tree->delete("张三",true);
//拼音检测
$tree->append("zhangsan","",true,"张三");
$tree->append("zhangsan","",true,"张伞");
$t1 = microtime(true);
var_dump($tree->getTreeWord("zh"));
$t2 = microtime(true);
echo 'getTreeWordPinyin{' . ($t2 - $t1) . '}s'.PHP_EOL;
//replace & delete
$tree->append("z","",true,"在");
$tree->append("z","",true,"走");
$tree->append("z","",true,"做");
var_dump($tree->getTreeWord("z",4));
//覆盖
$tree->append("z",array("1"=>1),true,"做");
var_dump($tree->getTreeWord("z",4));
//删除
$tree->delete("z",false,true,"在");
var_dump($tree->getTreeWord("z",4));
$tree->delete("z",false,true,"走");
$tree->delete("z",false,true,"做");
var_dump($tree->getTreeWord("z", 4));