本文實(shí)例講述了python通過BF算法實(shí)現(xiàn)關(guān)鍵詞匹配的方法。分享給大家供大家參考。具體實(shí)現(xiàn)方法如下：
復(fù)制代碼代碼如下:
#!/usr/bin/python
# -*- coding: UTF-8
# filename BF
import time
"""
t="this is a big apple,this is a big apple,this is a big apple,this is a big apple."
p="apple"
"""
t="為什么叫向量空間模型呢？其實(shí)我們可以把每個(gè)詞給看成一個(gè)維度，而詞的頻率看成其值（有向），即向量，這樣每篇文章的詞及其頻率就構(gòu)成了一個(gè)i維空間圖，兩個(gè)文檔的相似度就是兩個(gè)空間圖的接近度。假設(shè)文章只有兩維的話，那么空間圖就可以畫在一個(gè)平面直角坐標(biāo)系當(dāng)中，讀者可以假想兩篇只有兩個(gè)詞的文章畫圖進(jìn)行理解。"
p="讀者"
i=0
count=0
start=time.time()
while (i <=len(t)-len(p)):
j=0
while (t[i]==p[j]):
i=i+1
j=j+1
if j==len(p):
break
elif (j==len(p)-1):
count=count+1
else:
i=i+1
j=0
print count
print time.time()-start
# -*- coding: UTF-8
# filename BF
import time
"""
t="this is a big apple,this is a big apple,this is a big apple,this is a big apple."
p="apple"
"""
t="為什么叫向量空間模型呢？其實(shí)我們可以把每個(gè)詞給看成一個(gè)維度，而詞的頻率看成其值（有向），即向量，這樣每篇文章的詞及其頻率就構(gòu)成了一個(gè)i維空間圖，兩個(gè)文檔的相似度就是兩個(gè)空間圖的接近度。假設(shè)文章只有兩維的話，那么空間圖就可以畫在一個(gè)平面直角坐標(biāo)系當(dāng)中，讀者可以假想兩篇只有兩個(gè)詞的文章畫圖進(jìn)行理解。"
p="讀者"
i=0
count=0
start=time.time()
while (i <=len(t)-len(p)):
j=0
while (t[i]==p[j]):
i=i+1
j=j+1
if j==len(p):
break
elif (j==len(p)-1):
count=count+1
else:
i=i+1
j=0
print count
print time.time()-start
算法思想：目標(biāo)串t與模式串p逐詞比較，若對(duì)應(yīng)位匹配，則進(jìn)行下一位比較；若不相同，p右移1位，從p的第1位重新開始比較。
算法特點(diǎn)：整體移動(dòng)方向：可認(rèn)為在固定的情況下，p從左向右滑動(dòng)；匹配比較時(shí)，從p的最左邊位開始向右逐位與t串中對(duì)應(yīng)位比較。p的滑動(dòng)距離為1，這導(dǎo)致BF算法匹配效率低（相比其他算法，如：BM，KMP，滑動(dòng)沒有跳躍）。
該算法的時(shí)間復(fù)雜度為O（len(t)*len(p))，空間復(fù)雜度為O(len(t)+len(p))
希望本文所述對(duì)大家的Python程序設(shè)計(jì)有所幫助。
