Эффективный способ токенизации строки - C - PullRequest
6 голосов
/ 31 октября 2010

Я пытаюсь токенизировать строку. У меня есть таблица доступных токенов, заказанных в виде trie . Каждый жетон знает, что у него есть дети. Таблица простых токенов будет выглядеть так:

pattern    value         has_children
--------   ------        --------
s          s-val         1
stack      stack-val     0
over       over-val      1
overflow   overflow-val  0

В этой таблице stack является дочерним элементом s, а overflow является дочерним элементом over. На практике эта таблица будет иметь более 5000 записей, упорядоченных таким образом.

Теперь, учитывая строку stackover, она должна вывести stack-valover-val. Алгоритм жадный, и он всегда будет пытаться найти самое длинное совпадение.

Чтобы сделать это, я начну читать каждый символ с ввода, искать совпадения, если совпадение найдено и у токена есть дочерние элементы, снова искать совпадение путем включения следующего символа. Делайте это, пока мы не найдем самый длинный матч. Если совпадений не найдено, попробуйте сопоставить, включив следующий символ, пока мы не достигнем конца строки или успешного совпадения.

Если мы достигли конца строки без совпадения, выведите символ ? и удалите первый символ из ввода. Повторите весь процесс с оставшимися символами.

Этот алгоритм работает, но откат и повторение всех возможных комбинаций ввода делают его медленным и сложным.

Мне интересно, есть ли лучший способ решить это? Любая помощь будет оценена.

Ответы [ 5 ]

2 голосов
/ 31 октября 2010

Вместо возврата можно хранить в памяти все возможные результаты, пока один результат не будет выделен в определенной точке входного потока. Пример

Жетоны: S STACK STACKOVERFLOW STAG НАД ПЕРЕВОДОМ
Строка: SSTACKOVERFUN

1 - Найден S на месте 0, есть токены, которые начинаются с S, попробуйте их все, допустим только S, поэтому разрешите S
2 - S на 1, есть такие токены, попробуйте их, возможны действительные S и STACK. Не разрешай, просто помни об этом.
3 - T на 2, таких токенов нет, поэтому теперь S можно разрешить, но у нас также есть более длинный токен (STACK), поэтому S не годится. Дитч S, а STACK только осталось, но у него есть дети. Попробуйте строку для детей. Нет возможных детей, поэтому решите STACK
4 - O на 6, есть такие токены, пробуйте их, только OVER, поэтому разрешите OVER
5 - F на 10, таких токенов нет, и ничего не удалось разрешить ранее, так что это не токенизируется
6 и 7 - так же, как шаг 5

Окончательный результат: S STACK OVER fun

1 голос
/ 31 октября 2010

Я предлагаю вам попробовать Ragel , он может генерировать эффективные сканеры, которые могут делать самые длинные совпадения / обратного отслеживания.См. Главу 6.3 в руководстве пользователя Ragel для получения дополнительной информации.

Я создал крошечный тест, который, я думаю, соответствует вашей спецификации, это только описание конечного автомата, без кода дляввод корма:

%%{
machine test;

main := |*
's' => { puts("s-val");};
'stack' => { puts("stack-val");};
'over' => { puts("over-val");};
'overflow' => { puts("overflow-val");};

# Anything else matches to any, outputs a '?' and continues
any => {putc('?');};
*|;
}%%
1 голос
/ 31 октября 2010

Я думаю, что вы хотите взять все свои ключевые слова и отсортировать их по алфавиту, чтобы ваш список стал (плюс несколько дополнительных)

0 stack      1
1 s          0
2 overflow   3
3 over       5
4 ovum       5
5 o          0
6 exchange   7
7 ex         0

Третий столбец этого списка - это указатели на родительский токен, который всегда ниже в списке. Затем вы можете взять целевую строку и бинарный поиск, где он вписывается в этот список. Если он окажется выше токена, который совпадает, вы отсекаете эту часть и повторяете процесс для оставшейся части. Если он не совпадает, используйте родительский указатель, чтобы найти следующий самый длинный потенциальный совпадающий токен.

Если вы хотите по-настоящему поумнеть, вы также можете разбить строки на 64-битные слова и сравнить 8 символов одновременно в двоичном поиске.

1 голос
/ 31 октября 2010

Не могли бы вы использовать Aho-Corasick алгоритм?Создает автомат для поиска по дереву ключевых слов (trie).

0 голосов
/ 31 октября 2010

Следующий код token_tree основан на классе prefix_tree из ZeroMQ

Класс prefix_tree возвращает «true» только в том случае, если один из префиксов дерева соответствует началу входного текста.Он даже не скажет вам, какой префикс или как долго этот префикс был.

Это token_tree будет искать самый длинный токен, который соответствует началу входного текста.Функция поиска token_tree_longest_token () должна только возвращать длину самого длинного токена, сопоставленного с началом входного текста.

Основной алгоритм аналогичен описанному в вопросе, но его реализация может быть быстрее.

Также есть несколько способов улучшить использование памяти, которые могли бы сделать это быстрее.

#include <stdint.h>
#include <stdlib.h>

/* #define TEST_TOKEN_TREE */
/*
 * TODO: possible improvements, use multiple types of nodes: string/branch/leaf.
 * The string node would replace a chain of normal token_nodes and save memory.
 * This would require spliting a node to add branch points.
 * Use these structs:
 * struct token_node {
 *   uint32_t ref_count;
 *   uint8_t  node_type; -- node is token_node_str/token_node_branch/token_node_leaf
 * };
 * struct token_node_str {
 *   token_node base;
 *   uint8_t    reserved;
 *   uint16_t   len;          -- string length
 *   token_node *child;       -- string nodes can only have one child.
 *   uint8_t    str[0];       -- embedded string (not null-terminated)
 * };
 * struct token_node_branch {
 *   token_node base;
 *   uint8_t  min;            -- smallest char in child list.
 *   uint16_t count;          -- child count.
 *   token_node *children[0];
 * };
 * struct token_node_leaf { -- leaf nodes have no children.
 *   token_node base;
 * };
 * This will save memory, but will make code much more complex.
 */

typedef struct token_tree token_tree;
typedef struct token_node token_node;

struct token_tree {
    token_node *root; /**< root node of token tree. */
};

struct token_node {
    uint32_t   ref_count;    /**< how many token references end at this node. */
    uint8_t    min;          /**< smallest 'char' in children's list. */
    uint8_t    reserved;     /**< padding. */
    uint16_t   count;        /**< number of children. (max count = 256, so count must be 16bits) */
    token_node *children[0]; /**< list of children nodes.  index by (c - min) */
};

#define NODE_SIZE(count) (sizeof(token_node) + (sizeof(token_node *) * count))

static token_node *token_node_new(uint16_t count) {
    token_node *node = calloc(1, NODE_SIZE(count));
    node->count = count;
    return node;
}

static void token_node_build_chain(token_node **pnode, const uint8_t *token, size_t len) {
    token_node *node;
    do {
        /* the last node in the chain will have no children. */
        node = token_node_new((len == 0) ? 0 : 1);
        *pnode = node; /* add node to slot in parent's children list. */
        if(len == 0) break;
        /* new node will have one child. */
        node->min = *token;
        node->count = 1;
        /* slot where next node will be saved. */
        pnode = &(node->children[0]);
        /* consume char. */
        token++;
        len--;
    } while(1);
    /* mark last node as end of a valid token. */
    node->ref_count++;
}

static void token_node_free(token_node *node) {
    uint32_t i;
    uint32_t count = node->count;

    /* free children nodes. */
    for(i=0; i < count; i++) {
        if(node->children[i]) token_node_free(node->children[i]);
    }
    free(node);
}

static void token_node_grow(token_node **pnode, uint8_t c) {
    token_node *node = *pnode;
    token_node **children;
    uint8_t  old_min = node->min;
    uint16_t old_count = node->count;
    uint32_t i;
    uint8_t  min;
    uint16_t count;

    if(c < old_min) {
        min = c;
        count = old_count + (old_min - min);
    } else {
        if(old_count == 0) {
            /* the list was empty, so this is the first char. */
            old_min = c;
        }
        min = old_min;
        c -= old_min;
        if(c < old_count) {
            /* don't need to grow. */
            return;
        }
        count = c + 1;
    }

    node = realloc(node, NODE_SIZE(count));
    *pnode = node;
    children = node->children;
    /* if the 'min' value changed, then we need to move all the old slots up. */
    if(old_min != min) {
        uint32_t diff = old_min - min;
        for(i=count-1; i >= diff; i--) {
            children[i] = children[i - diff];
        }
        /* null new slots at start of children list. */
        for(i=0; i < diff; i++) {
            children[i] = NULL;
        }
    } else {
        /* null new slots at end of children list. */
        for(i=old_count; i < count; i++) {
            children[i] = NULL;
        }
    }
    node->min = min;
    node->count = count;
}

static token_node **token_node_find_last_node(token_node **pnode, const uint8_t **ptoken, size_t *plen) {
    const uint8_t *token = *ptoken;
    size_t len = *plen;
    uint32_t c;
    token_node *node = *pnode;

    while(node && len) {
        /* next char. */
        c = (*token);
        /* if c < node->min, then it will underflow and be > node->count. */
        c -= node->min;
        /* make sure c is in range. */
        if(c >= node->count) {
            /*
             * NOTE: we don't consume this char and "*pnode" will not be null.
             * When adding tokens, this node will be grown to hold more children.
             */
            break;
        }

        /* consume char. */
        token++;
        len--;
        /* get pointer to next node's slot. */
        pnode = &(node->children[c]);
        node = *pnode;
    }

    *ptoken = token;
    *plen = len;
    /* return pointer to last node's slot. */
    return pnode;
}

static void token_node_add(token_node **pnode, const uint8_t *token, size_t len) {
    token_node *node;

    /* find last node in chain for this token. */
    pnode = token_node_find_last_node(pnode, &token, &len);

    /* if full token was consumed then we found the last node for this token. */
    if(!len) {
        node = *pnode;
        node->ref_count++;
        return;
    }

    /* check if the children list of the last node needs to be grown. */
    node = *pnode;
    if(node) {
        uint32_t c = *token;
        /* consume char. */
        token++;
        len--;
        /* grow node to make room for new char. */
        token_node_grow(pnode, c);
        node = *pnode; /* token_node_grow() may change the node's pointer. */
        /* get slot for new child. */
        pnode = &(node->children[c - node->min]);
    }
    /* build node chain for un-consumed part of token. */
    token_node_build_chain(pnode, token, len);
}

static size_t token_node_longest_token(token_node *node, const uint8_t *text, size_t len) {
    size_t last_token_len = 0;
    size_t off = 0;
    uint32_t c;

    /* loop until we get a NULL node or run out of text. */
    do {
        if(node->ref_count > 0) {
            /* found a token, keep track of it's length. */
            last_token_len = off;
        }
        /* end of input text. */
        if(off >= len) break;
        /* next char. */
        c = text[off];
        /* if c < node->min, then it will underflow and be > node->count. */
        c -= node->min;
        /* make sure c is in range. */
        if(c >= node->count) {
            /* End of search, no more child nodes. */
            break;
        }

        /* consume char. */
        off++;
        /* get pointer to next node's slot. */
        node = node->children[c];
    } while(node);

    /* return length of largest token found. */
    return last_token_len;
}

extern token_tree *token_tree_new() {
    token_tree *tree = malloc(sizeof(token_tree));
    tree->root = token_node_new(0);
    return tree;
}

extern void token_tree_free(token_tree *tree) {
    token_node_free(tree->root);
    free(tree);
}

extern void token_tree_add(token_tree *tree, const char *token, size_t len) {
    token_node_add(&(tree->root), token, len);
}

extern size_t token_tree_longest_token(token_tree *tree, const char *text, size_t len) {
    return token_node_longest_token(tree->root, text, len);
}

#ifdef TEST_TOKEN_TREE
#include <stdio.h>
#include <string.h>

static const char *test_tokens[] = {
    "s",
    "stack",
    "stackoverflow",
    "over",
    "overflow",
    NULL,
};

static const char *test_input[] = {
    "aastackoverasdfasdf",
    "stack7777",
    "777stack777",
    "overstackflow",
    NULL,
};

static void add_tokens(token_tree *tree, const char **tokens) {
    int i;
    for(i = 0; tokens[i] != NULL; i++) {
        token_tree_add(tree, tokens[i], strlen(tokens[i]));
    }
}

static void print_tokens(token_tree *tree, const char *text) {
    size_t len = strlen(text);
    size_t token_len;

    printf("input: \"%s\"\n", text);
    printf("tokens: [");
    while(len) {
        token_len = token_tree_longest_token(tree, text, len);
        if(token_len > 0) {
            printf("<%.*s>", (int)token_len, text);
        } else {
            printf("?");
            token_len = 1;
        }
        text += token_len;
        len -= token_len;
    }
    printf("]\n");
}

static void run_test(token_tree *tree, const char **texts) {
    int i;
    for(i = 0; texts[i] != NULL; i++) {
        print_tokens(tree, texts[i]);
    }
}

int main(int argc, char *argv[]) {
    token_tree *tree = token_tree_new();

    add_tokens(tree, test_tokens);

    run_test(tree, test_input);
    run_test(tree, test_tokens);

    token_tree_free(tree);
}

#endif
Добро пожаловать на сайт PullRequest, где вы можете задавать вопросы и получать ответы от других членов сообщества.
...