我们针对抓取来的页面进行关键词匹配,但是随着爬虫的量级越来越大,关键词计算有些算不过来…. 数据队列已经到了100w左右…. 又在多个节点上,发布了docker化的关键词匹配服务。 关键词匹配服务的服务器数量已经到了10台,里面的代码逻辑已经做到最优,相关的算法也是用的ac自动机(ahocorasick),我们也看了下python的ahocorasick实现代码,可以说这老外写得不错,代码质量很高,算法实现也很清晰。 在python ahocorasick模块也没几个可以选。 同事小军也在折腾关于他那边业务的ac自动机逻辑,会出现一个问题。 举个例子,我的关键字是 iphone ,我匹配的内容是 “iphone iphone5 iphone6″ ,但是用python下的ahocorasick匹配的结果是iphone,没有匹配到iphone5和6。 根据ac自动机原理,他是可以匹配到iphone5的,java版本是可以全部匹配的。 个人觉得,python ahocorasick 是做了相关的匹配精度,所有才没有把iphone5匹配到。
正体,python的gil限制了他计算的性能,这种多匹配模式也不太适合用multiprocessing多进程。 今天正好同事分享了golang,那,重新拾起我曾经抛弃的golang,来解决性能问题。 后期会做成http api服务,供业务层接入。
export GOROOT=/usr/lib/go
export GOPATH=$HOME/go
go get github.com/gansidui/ahocorasick
go build ac.go
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 |
package main import ( "fmt" "github.com/gansidui/ahocorasick" ) func main() { ac := ahocorasick.NewMatcher() dictionary := []string{"hello", "world", "nima", "google", "golang", "c++", "xiaorui"} ac.Build(dictionary) ret := ac.Match("hello golang google, i love golang!!! xiaorui xiaorui.cc") for _, i := range ret { fmt.Println(dictionary[i]) } } |
有疑问加站长微信联系(非本文作者)