10小時到10分鐘,一步步優化巨量關鍵詞的匹配

發表於2017-07-19

問題由來

前些天工作中遇到一個問題:

有 60萬 條短訊息記錄日誌,每條約 50 字,5萬 關鍵詞,長度 2-8 字,絕大部分為中文。要求將這 60萬 條記錄中包含的關鍵詞全部提取出來並統計各關鍵詞的命中次數。

本文完整介紹了我的實現方式,看我如何將需要執行十小時的任務優化到十分鐘以內。雖然實現語言是 PHP,但本文介紹的更多的思想,應該能給大家一些幫助。

原始 – grep

設計

一開始接到任務的時候,我的小心思立刻轉了起來,日誌 + 關鍵詞 + 統計,我沒有想到自己寫程式碼實現,而是首先想到了 linux 下常用的日誌統計命令 grep

grep命令的用法不再多提,使用 grep 'keyword' | wc -l 可以很方便地進行統計關鍵詞命中的資訊條數,而php的 exec() 函式允許我們直接呼叫 linux 的 shell 命令,雖然這樣執行危險命令時會有安全隱患。

程式碼

上虛擬碼:

在一臺老機器上跑的,話說老機器效率真的差,跑了6小時。估計最新機器2-3小時吧,後面的優化都使用的新機器,而且需求又有變動,正文才剛剛開始。

原始,原始在想法和方法

進化 – 正則

設計

交了差之後,第二天產品又提出了新的想法,說以後想把某資料來源接入進來,訊息以資料流的形式傳遞,而不再是檔案了。而且還要求了訊息統計的實時性,一下把我想把資料寫到檔案再統計的想法也推翻了,為了方案的可擴充套件性,現在的統計物件不再是一個整體,而是要考慮拿n個單條的訊息來匹配了。

這時,略懵的我只好祭出了最傳統的工具- 正則。正則的實現也不難,各個語言也都封裝好了正則匹配函式,重點是模式(pattern)的構建。

當然這裡的模式構建也不難,/keyword1|keword2|.../,用|將關鍵詞連線起來即可。

正則小坑

這裡介紹兩個使用中遇到的小坑:

  • 正則模式長度太長導致匹配失敗:PHP 的正則有回溯限制,以防止消耗掉所有的程式可用堆疊, 最終導致 php 崩潰。太長的模式會導致 PHP 檢測到回溯過多,中斷匹配,經測試預設設定時最大模式長度為 32000 位元組 左右。php.ini 內 pcre.backtrack_limit 引數為最大回溯次數限制,預設值為 1000000,修改或 php.ini 或在指令碼開始時使用 ini_set(‘pcre.backtrack_limit’, n); 將其設定為一個較大的數可以提高單次匹配最大模式長度。當然也可以將關鍵詞分批統計(我用了這個=_=)。
  • 模式中含有特殊字元導致大量warning:匹配過程中發現 PHP 報出大量 warning:unknown modifier 亂碼,仔細檢查發現關鍵詞中有/字元,可以使用preg_quote()函式過濾一遍關鍵詞即可。

程式碼

上虛擬碼:

為了完成任務,硬著頭皮程式跑了一夜。當第二天我發現跑了近十個小時的時候內心是崩潰的。。。太慢了,完全達不到使用要求,這時,我已經開始考慮改換方法了。

當產品又改換了關鍵詞策略,替換了一些關鍵詞,要求重新執行一遍,並表示還會繼續優化關鍵詞時,我完全否定了現有方案。絕對不能用關鍵詞去匹配資訊,這樣一條一條用全部關鍵詞去匹配,效率實在是不可忍受。

進化,需求和實現的進化

覺醒 – 拆詞

設計

我終於開始意識到要拿資訊去關鍵詞裡對比。如果我用關鍵詞為鍵建立一個 hash 表,用資訊裡的詞去 hash 表裡查詢,如果查到就認為匹配命中,這樣不是能達到 O(1) 的效率了麼?

可是一條短訊息,我如何把它拆分為剛好的詞去匹配呢,分詞?分詞也是需要時間的,而且我的關鍵詞都是些無語義的詞,構建詞庫、使用分詞工具又是很大的問題,最終我想到 拆詞

為什麼叫拆詞呢,我考慮以蠻力將一句話拆分為所有可能詞。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)等詞,我的關鍵詞長度為 2-8,所以可拆詞個數會隨著句子長度迅速增加。不過,可以用標點符號、空格、語氣詞(如的、是等)作為分隔將句子拆成小短語再進行拆詞,會大大減少拆出的詞量。

其實分詞並沒有完整實現就被後一個方法替代了,只是一個極具實現可能的構想,寫這篇文章時用虛擬碼實現了一下,供大家參考,即使不用在匹配關鍵詞,用在其他地方也是有可能的。

程式碼

結果

我們知道一個 utf-8 的中文字元要佔用三個位元組,為了拆分出包含中英文的每一個字元,使用簡單的 split() 函式是做不到的。

這裡使用了 preg_split('/(?<!^)(?!$)/u', $msg) 是通過正則匹配到兩個字元之間的''來將兩個字元拆散,而兩個括號裡的 (?<!^)(?!$) 是分別用來限定捕獲組不是第一個,也不是最後一個(不使用這兩個捕獲組限定符也是可以的,直接使用//作為模式會導致拆分結果在前後各多出一個空字串項)。  捕獲組的概念和用法可見我之前的部落格 PHP正則中的捕獲組與非捕獲組

由於沒有真正實現,也不知道效率如何。估算每個短句長度約為 10 字左右時,每條短訊息約50字左右,會拆出 200 個詞。雖然它會拆出很多無意義的詞,但我相信效率絕不會低,由於其 hash 的高效率,甚至我覺得會可能比終極方法效率要高。

最終沒有使用此方案是因為它對句子要求較高,拆詞時的分隔符也不好確定,最重要的是它不夠優雅。。。這個方法我不太想去實現,統計標識和語氣詞等活顯得略為笨重,而且感覺拆出很多無意義的詞感覺效率浪費得厲害。

覺醒,意識和思路的覺醒

終級 – Trie樹

trie樹

於是我又來找谷哥幫忙了,搜尋大量資料匹配,有人提出了 使用 trie 樹的方式,沒想到剛學習的 trie 樹的就派上了用場。我上上篇文章剛介紹了 trie 樹,在空間索引 – 四叉樹字典樹這一小節,大家可以檢視一下。

當然也為懶人複製了一遍我當時的解釋(看過的可以跳過這一小節了)。

字典樹,又稱字首樹或 trie 樹,是一種有序樹,用於儲存關聯陣列,其中的鍵通常是字串。與二叉查詢樹不同,鍵不是直接儲存在節點中,而是由節點在樹中的位置決定。一個節點的所有子孫都有相同的字首,也就是這個節點對應的字串,而根節點對應空字串。

我們可以類比字典的特性:我們在字典裡通過拼音查詢晃(huang)這個字的時候,我們會發現它的附近都是讀音為huang的,可能是聲調有區別,再往前翻,我們會看到讀音字首為huan的字,再往前,是讀音字首為hua的字… 取它們的讀音字首分別為 h qu hua huan huang。我們在查詢時,根據 abc...xyz 的順序找到h字首的部分,再根據 ha he hu找到 hu 字首的部分…最後找到 huang,我們會發現,越往後其讀音字首越長,查詢也越精確,這種類似於字典的樹結構就是字典樹,也是字首樹。

設計

那麼 trie 樹怎麼實現關鍵字的匹配呢? 這裡以一幅圖來講解 trie 樹匹配的過程。

1

其中要點:

構造trie樹

  1. 將關鍵詞用上面介紹的preg_split()函式拆分為單個字元。如科學家就拆分為科、學、家三個字元。
  2. 在最後一個字元後新增一個特殊字元`,此字元作為一個關鍵詞的結尾(圖中的粉紅三角),以此字元來標識查到了一個關鍵詞(不然,我們不知道匹配到科、學兩個字元時算不算匹配成功)。
  3. 檢查根部是否有第一個字元()節點,如果有了此節點,到步驟4。 如果還沒有,在根部新增值為的節點。
  4. 依次檢查並新增學、家 兩個節點。
  5. 在結尾新增 ` 節點,並繼續下一個關鍵詞的插入。

匹配

然後我們以 這位科學家很了不起為例來發起匹配。

  • 首先我們將句子拆分為單個字元 這、位、...
  • 從根查詢第一個字元,並沒有以這個字元開頭的關鍵詞,將字元“指標”向後移,直到找到根下有的字元節點;
  • 接著在節點下尋找值為 節點,找到時,結果子樹的深度已經到了2,關鍵詞的最短長度是2,此時需要在結點下查詢是否有`,找到意味著匹配成功,返回關鍵詞,並將字元“指標”後移,如果找不到則繼續在此結點下尋找下一個字元。
  • 如此遍歷,直到最後,返回所有匹配結果。

程式碼

完整程式碼我已經放到了GitHub上:Trie-GitHub-zhenbianshu,這裡放上核心。

首先是資料結構樹結點的設計,當然它也是重中之重:

然後是樹構建時子結點的插入:

最後是查詢時的操作:

結果

結果當然是喜人的,如此匹配,處理一千條資料只需要3秒左右。找了 Java 的同事試了下,Java 處理一千條資料只需要1秒。

這裡來分析一下為什麼這種方法這麼快:

  • 正則匹配:要用所有的關鍵詞去資訊裡匹配匹配次數是 key_len * msg_len,當然正則會進行優化,但基礎這樣,再優化效率可想而知。
  • 而 trie 樹效率最差的時候是 msg_len * 9(最長關鍵詞長度 + 1個特殊字元)次 hash 查詢,即最長關鍵詞類似 AAA,資訊內容為 AAA...時,而這種情況的概率可想而知。

至此方法的優化到此結束,從每秒鐘匹配 10 個,到 300 個,30 倍的效能提升還是巨大的。

終級,卻不一定是終極

他徑 – 多程式

設計

匹配方法的優化結束了,開頭說的優化到十分鐘以內的目標還沒有實現,這時候就要考慮一些其他方法了。

我們一提到高效,必然想到的是 併發,那麼接下來的優化就要從併發說起。PHP 是單執行緒的(雖然也有不好用的多執行緒擴充套件),這沒啥好的解決辦法,併發方向只好從多程式進行了。

那麼一個日誌檔案,用多個程式怎麼讀呢?這裡當然也提供幾個方案:

  • 程式內新增日誌行數計數器,各個程式支援傳入引數 n,程式只處理第 行數 % n = n 的日誌,這種 hack 的反向分散式我已經用得很熟練了,哈哈。這種方法需要程式傳引數,還需要每個程式都分配讀取整個日誌的的記憶體,而且也不夠優雅。
  • 使用 linux 的 split -l n file.log output_pre 命令,將檔案分割為每份為 n 行的檔案,然後用多個程式去讀取多個檔案。此方法的缺點就是不靈活,想換一下程式數時需要重新切分檔案。
  • 使用 Redis 的 list 佇列臨時儲存日誌,開啟多個程式消費佇列。此方法需要另外向 Redis 內寫入資料,多了一個步驟,但它擴充套件靈活,而且程式碼簡單優雅。

最終使用了第三種方式來進行。

結果

這種方式雖然也會有瓶頸,最後應該會落在 Redis 的網路 IO 上。我也沒有閒心開 n 個程式去挑戰公司 Redis 的效能,執行 10 個程式三四分鐘就完成了統計。即使再加上 Redis 寫入的耗時,10分鐘以內也妥妥的。

一開始產品對匹配速度已經有了小時級的定位了,當我 10 分鐘就拿出了新的日誌匹配結果,看到產品驚訝的表情,心裡也是略爽的,哈哈~

他徑,也能幫你走得更遠

總結

解決問題的方法有很多種,我認為在解決各種問題之前,要了解很多種知識,即使只知道它的作用。就像一個工具架,你要先把工具儘量擺得多,才能在遇到問題時選取一個最合適的。接著當然要把這些工具用是純熟了,這樣才能使用它們去解決一些怪異問題。

工欲善其事,必先利其器,要想解決效能問題,掌握系統級的方法還略顯不夠,有時候換一種資料結構或演算法,效果可能會更好。感覺自己在這方面還略顯薄弱,慢慢加強吧,各位也共勉。

相關文章