引言
目前，大多数自由文本搜索技术采用类似于 Lucene 的策略，通过解析搜索文本为各个组成部分来定位关键词。这种方法在处理少量关键词时表现良好。但当搜索的关键词数量达到 10 万个或更多时，这种方法的效率会显著下降，尤其是在需要与词典进行详尽对比的场景中。本文将介绍的 Aho-Corasick（AC）自动机作为多模式匹配中的经典算法，不仅能够处理大规模文本数据，还能确保搜索过程的实时性和准确性。
AC 自动机：文本搜索的革命性工具
AC 自动机可以被形象地比喻为一个超级找词机器。想象你手头有一本内容繁多的书籍和一份包含多个词语的列表，你的任务是快速找出所有这些词语在书中出现的位置。如果采用传统方法，即逐个词进行查找，工作量将会非常巨大。而 AC 自动机通过构建一种特殊的树状结构——前缀树或 Trie，来极大地提升搜索效率。
AC 自动机构建与搜索机制
构建前缀树（Trie）
AC 自动机首先会根据所有关键词构建一个前缀树。这种树状结构的每个节点代表一个字母，并且每个字母都指向下一个可能的字母，从而形成一个连续的路径，表示一个或多个关键词的前缀
****图片来源网络
失配指针（Fail 指针）
在搜索过程中，如果当前路径上无法找到匹配的关键词，AC 自动机会利用失配指针进行快速回溯。这些指针预先设置在树的每个节点上，指向其他可能的匹配路径，从而避免了从头开始搜索的低效性
****图片来源网络
实时搜索与高效报告
AC 自动机在读取文本的同时，能够快速地遍历前缀树结构。一旦发现关键词出现在文本中，它能够立即报告这个词及其出现的位置。这种能力使得 AC 自动机能够一次性高效完成大量关键词的搜索任务
****图片来源网络
算法核心组件与复杂度
核心组件：
•goto（转跳）：每个遇到的字符都会被提交给 goto 结构中的状态对象，以确定新的当前状态
•fail（失败转移）：如果没有找到匹配状态，算法会触发 fail 并回溯至深度更浅的状态，从那里继续搜索
•output（输出）：每当达到与整个关键词相匹配的状态时，该状态会被发送到输出集合中，完成扫描后即可读取这些匹配项
时间复杂度：
Aho-Corasick 算法的时间复杂度为 O(n)，其中 n 是文本的长度。这意味着无论提供多少关键词，搜索的性能都将呈线性下降，与关键词的数量无关。
AC 自动机的应用
AC 自动机在多种场景下都能发挥重要作用，包括：
•在文本中查找并链接或突出显示关键词，提高信息的可检索性
•为纯文本添加语义，使文本内容更加丰富和有层次
•检查文本中的语法错误，通过与词典的对比来识别和纠正错误
应用案例： 使用 Aho-Corasick 算法来识别和高亮 HTML 文本中的关键词
本 Java 程序将演示如何使用 Aho-Corasick 自动机库来搜索和高亮 HTML 文本中的关键词。程序首先构建一个自动状态机，该状态机被训练识别一系列中文关键词。然后，程序将处理 HTML 文档，查找这些关键词的出现，并用<b>标签将它们包裹起来，以实现加粗显示的效果。
第一步：Maven 依赖配置，引入 Aho-Corasick 自动机库
<dependency> <groupId>org.ahocorasick</groupId> <artifactId>ahocorasick</artifactId> <version>0.6.3</version></dependency>
复制代码
第二步：代码实现
public class HighlightKeywordsInHtml {
public static void main(String[] args) { // 定义HTML内容的字符串，包含了南京大学的介绍 String htmlContent = createHtmlContentForNanjingUniversity(); // 创建Aho-Corasick Trie的构建器实例 Trie trie = buildAhoCorasickTrie(); // 使用Trie实例处理HTML文本，获取匹配的Token集合 Collection<Token> tokens = trie.tokenize(htmlContent); // 使用StringBuilder构建最终的HTML字符串，用于输出高亮的关键词 StringBuilder html = new StringBuilder(); html.append("<html><body><p>"); // 遍历Token集合 for (Token token : tokens) { // 如果Token匹配关键词，则添加<b>标签以实现加粗效果 if (token.isMatch()) { html.append("<b>"); } // 添加Token对应的文本片段 html.append(token.getFragment()); // 如果Token匹配关键词，结束<b>标签 if (token.isMatch()) { html.append("</b>"); } } // 完成HTML字符串的构建 html.append("</p></body></html>"); // 打印最终的HTML字符串，其中包含高亮显示的关键词 System.out.println(html); }
private static String createHtmlContentForNanjingUniversity() { // 此处添加创建南京大学HTML内容的方法实现 String speech = """ <!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>南京大学简介</title> <style> body { font-family: "微软雅黑", "宋体", Arial, sans-serif; line-height: 1.6; color: #333; } .university-intro { text-align: justify; margin-bottom: 2em; padding: 1rem; background-color: #f5f5f5; border-radius: 5px; } </style> </head> <body> <section class="university-intro"> <h1>南京大学：百年名校，学术卓越</h1> <p>南京大学，简称“南大”，位于中国江苏省南京市，是中国最顶尖的高等学府之一，拥有百年的办学历史和深厚的文化底蕴。作为中国教育部直属的全国重点大学，南大以其卓越的学术成就和教育质量闻名于世。</p> <p>南京大学以其强大的师资力量和学术研究而著称，提供多元化的学科教育，包括自然科学、人文社会科学、工程技术等多个领域。学校注重培养学生的创新能力和国际视野，为国家和社会培养了大量杰出人才。</p> <p>南大校园环境优美，历史与现代交融，是学术研究和知识探索的理想场所。学校在计算机科学、地球科学、化学等学科领域具有国际领先水平，并在推动科学技术进步和文化传承方面发挥着重要作用。</p> </section> </body> </html> """; return speech; }
private static Trie buildAhoCorasickTrie() { return Trie.builder() .ignoreOverlaps() // 设置不捕获重叠的关键词 .onlyWholeWords() // 仅匹配完整的单词 .ignoreCase() // 忽略关键词的大小写 .addKeywords(Arrays.asList("南京大学", "南大", "地球科学")) .build(); // 构建Trie实例 }}
复制代码
第三步：运行程序，符合预期
<html><body><p><!DOCTYPE html><html lang="zh-CN"><head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>南京大学简介</title> <style> body { font-family: "微软雅黑", "宋体", Arial, sans-serif; line-height: 1.6; color: #333; } .university-intro { text-align: justify; margin-bottom: 2em; padding: 1rem; background-color: #f5f5f5; border-radius: 5px; } </style></head><body><section class="university-intro"> <h1><b>南京大学</b>：百年名校，学术卓越</h1> <p><b>南京大学</b>，简称“<b>南大</b>”，位于中国江苏省南京市，是中国最顶尖的高等学府之一，拥有百年的办学历史和深厚的文化底蕴。作为中国教育部直属的全国重点大学，南大以其卓越的学术成就和教育质量闻名于世。</p> <p>南京大学以其强大的师资力量和学术研究而著称，提供多元化的学科教育，包括自然科学、人文社会科学、工程技术等多个领域。学校注重培养学生的创新能力和国际视野，为国家和社会培养了大量杰出人才。</p> <p>南大校园环境优美，历史与现代交融，是学术研究和知识探索的理想场所。学校在计算机科学、<b>地球科学</b>、化学等学科领域具有国际领先水平，并在推动科学技术进步和文化传承方面发挥着重要作用。</p></section></body></html></p></body></html>
复制代码
本文对 Aho-Corasick（AC）自动机算法进行了抛砖引玉，揭示了其在处理大规模文本数据方面的卓越性能和应用潜力。若你渴望深入挖掘 AC 算法的精髓，进一步探索其高级应用和实现细节，建议参考以下的参考资料进行进一步的学习与挖掘。
参考资料
http://cr.yp.to/bib/1975/aho.pdf
https://github.com/robert-bor/aho-corasick
评论