使用倒排索引提高大批量字符串搜索效率
在Python中，如果要判断一个字符串是否在另一个字符串里面，我们可以使用 in关键字，例如：
>>> a = '你说我是买苹果电脑，还是买windows电脑呢？'>>> if '苹果' in a:... print('苹果这个词在a字符串里面')...苹果这个词在a字符串里面如果有多个句子和多个关键字，那么可以使用 for循环来实现：
sentences = ['你说我是买苹果电脑，还是买windows电脑呢？', '人生苦短我用Python', '你TM一天到晚只知道得瑟', '不不不，我不是说你，我是说在座的各位都是垃圾。' '我CNM你个大SB' ]keywords = ['垃圾', 'CNM', 'SB', 'TM']for sentence in sentences: for keyword in keywords: if keyword in sentence: print(f'句子: 【{sentence}】包含脏话：【{keyword}】')运行效果如下图所示：
现在如果有100000000个句子，有1000个关键字，那么你需要对比1000亿次才能全部查询完成。这个时间代价太大了，如果Python一秒钟能运行500万次查询（实际上没有这么快），那么1000亿次查询需要20000秒，接近6小时。而且，由于 in关键字的时间复杂度为 O(n)，如果有大量长句子，查询时间会更长。
例如，我们要从下面的句子里面寻找 CNM。
sentences = ['你说我是买苹果电脑，还是买windows电脑呢？', '人生苦短我用Python', '你TM一天到晚只知道得瑟', '不不不，我不是说你，我是说在座的各位都是垃圾。', '我CNM你个大SB', '各位同学，Good Morning！', '网络这个单词，它的英文为Network', '我不想听到有人说CNM！' ]如果使用常规方法，那么我们的做法是：
CNM在你说我是买苹果电脑，还是买windows电脑呢？中吗？不在！CNM在人生苦短我用Python吗？不在！- ……
- ……
CNM在我CNM你个大SB吗？在！CNM在各位同学，GoodMorning！吗？不在！CMN在网络这个单词，它的英文为Network吗？不在！CNM在我不想听到有人说CNM！吗？在！
于是就知道了， CNM在sentences列表下标为4和7的这两个句子中。
下面，我们换一个看起来更笨的办法：
要找到 CNM在哪几句里面，可以变成：寻找 C、 N、 M这三个字母在哪几句里面。然后，再找到同时有这三个字母的句子:
C在4, 7句N在4，6，7句M在2, 4，5，7句
所以，{4, 7} 与 {4, 6, 7} 与 {4, 5, 7}做交集，得到{4, 7}说明 CNM这个词很有可能是在第4句和第7句。
为什么说很可能呢？因为假如再添加一句话： 今天我们学习三个单词：Cat,Network,Morning。这一句也会被认为包含 CNM这个词，但实际上它只是同时包含了 C、 N、 M三个字母而已。
接下来，有人会问了：原来直接查询 CNM的时候，只需要查询8次就可以了。现在你分别查询 C N M要查询24次。你是修复了查询时间太短的bug吗？
回答这个问题之前，我们再来看另一个问题。
Python里面，当我要判断字母 C是不是在句子 我不想听到有人说CNM！里面时，Python是如何工作的？
实际上，它的工作原理可以写成：
sentence = '我不想听到有人说CNM！'for char in sentence: if char == 'C': print('C在这个字符串中') break如果要判断 C、 N、 M是不是都在这个字符串 我不想听到有人说CNM！中，同一个字符串会被遍历3次。有没有办法减少这种看起来多余的遍历操作呢？
如果我们把 我不想听到有人说CNM！这个句子转成字典会怎么样：
sentence = '我不想听到有人说CNM！'sentence_dict = {char: 1 for char in sentence}for letter in 'CNM': if letter in sentence_dict: print(f'字母{letter}在句子中！')这样一来，只需要在生成字典的时候遍历句子一次，减少了2次冗余遍历。并且，判断一个元素是否在字典里面，时间复杂度为 O(1)，速度非常快。
我不想听到有人说CNM！生成的字典为 {'我':1,'不':1,'想':1,'听':1,'到':1,'有':1,'人':1,'说':1,'C':1,'N':1,'M':1,'！':1}。那么如果要把列表里面的所有句子都这样处理，又怎么存放呢？此时，字典的Key就是每一个字符，而Value可以是每一句话在原来列表中的索引：
sentences = ['你说我是买苹果电脑，还是买windows电脑呢？', '人生苦短我用Python', '你TM一天到晚只知道得瑟', '不不不，我不是说你，我是说在座的各位都是垃圾。', '我CNM你个大SB', '各位同学，Good Morning！', '网络这个单词，它的英文为Network', '我不想听到有人说CNM！']index_dict = {}for index, line in enumerate(sentences): print(index, line) for char in line: if not char.strip(): continue if char in index_dict: index_dict[char].add(index) else: index_dict[char] = {index}生成的字典为：
{'B': {4}, 'C': {4, 7}, 'G': {5}, 'M': {2, 4, 5, 7}, 'N': {4, 6, 7}, 'P': {1}, 'S': {4}, 'T': {2}, 'd': {0, 5}, 'e': {6}, 'g': {5}, 'h': {1}, 'i': {0, 5}, 'k': {6}, 'n': {0, 1, 5}, 'o': {0, 1, 5, 6}, 'r': {5, 6}, 's': {0}, 't': {1, 6}, 'w': {0, 6}, 'y': {1}, '。': {3}, '一': {2}, '不': {3, 7}, '个': {4, 6}, '为': {6}, '买': {0}, '人': {1, 7}, '位': {3, 5}, '你': {0, 2, 3, 4}, '到': {2, 7}, '单': {6}, '只': {2}, '各': {3, 5}, '同': {5}, '听': {7}, '呢': {0}, '在': {3}, '圾': {3}, '垃': {3}, '大': {4}, '天': {2}, '学': {5}, '它': {6}, '座': {3}, '得': {2}, '想': {7}, '我': {0, 1, 3, 4, 7}, '文': {6}, '是': {0, 3}, '晚': {2}, '有': {7}, '果': {0}, '瑟': {2}, '生': {1}, '用': {1}, '电': {0}, '的': {3, 6}, '知': {2}, '短': {1}, '络': {6}, '网': {6}, '脑': {0}, '苦': {1}, '英': {6}, '苹': {0}, '词': {6}, '说': {0, 3, 7}, '还': {0}, '这': {6}, '道': {2}, '都': {3}, '！': {5, 7}, '，': {0, 3, 5, 6}, '？': {0}}生成的字典这么长，看起来非常可怕。但是别慌，毕竟不是你人肉寻找。对Python来说，字典里面无论有多少个Key，它的查询时间都是一样的。
现在，我们要寻找 C、 N、 M，于是代码可以写为：
index_list = []for letter in 'CNM': index_list.append(index_dict.get(letter, {}))
common_index = set.intersection(*index_list) # 对包含各个字母的索引做交集，得到同时包含3个字母的句子print(f'这几个句子里面同时含有`C`、`N`、`M`：{common_index}')for index in common_index: print(sentences[index])运行结果如下：
所以，对于一组需要被查询的关键字，也可以这样搜索：
keywords = ['垃圾', 'CNM', 'SB', 'TM']for word in keywords: index_list = [] for letter in word: index_list.append(index_dict.get(letter, {}))
common_index = set.intersection(*index_list) print(f'>>这几个句子里面同时含有：{word}') for index in common_index: print(sentences[index])运行效果如下图所示：
看完这篇文章以后，你已经学会了倒排索引（Inverted-index）。这是Google搜索的核心算法之一。
可以看出，对于少量数据的搜索，倒排索引并不会比常规方法节约多少时间。但是当你有100000000条句子，1000个关键词的时候，用倒排索引实现搜索，所需要的时间只有常规方法的1/10甚至更少。
最后回到前面遇到的一个问题，当句子里面同时含有字母 C、 N、 M，虽然这三个字母并不是组合在一起的，也会被搜索出来。这就涉及到搜索引擎的另一个核心技术—— 分词了。对于英文而言，使用空格来切分单词就好了。但是对于中文来说，不同的汉字组合在一起构成的词语，字数是不一样的。甚至有些专有名词，可能七八个字，但是也要作为整体来搜索。
分词的具体做法，又是另外一个故事了。