目录Fuse.js是什么核心算法Bitap1. 构造函数初始化2. 类暴露的searchIn方法2.1 参数和工具函数2.2 第一次循环:2.3 第二次循环基于动态规划算法的Leve
最近在项目里用到了Fuse.js做模糊查询,便对这个算法起了点好奇心,翻了翻源码。
Fuse.js 是一个 javascript 库,用于执行模糊字符串搜索。它通过比较搜索字符串与目标字符串的相似度来找到最佳匹配。
Fuse.js 使用一种称为 Bitap 算法的搜索算法来找到最佳匹配。Bitap 算法是一种用于字符串搜索的二进制算法,它通过比较二进制位来判断字符串是否匹配,其中模式可以与目标有所不同。该算法采用位向量数据结构和按位比较以实现字符串匹配。
Bitap算法是fuse.js中用于实现模糊搜索的核心算法之一,其主要思路是利用位运算来计算模式串和目标串之间的相似度。具体来说,Bitap算法首先将模式串转换为二进制掩码,并利用位运算来计算模式串和目标串之间的相似度,然后采用一些启发式策略来提高算法的准确性和效率。
在fuse.js中,Bitap算法的实现主要在BitapSearch
类中。接下来我将尝试解析一下这个类。
在构造函数中,会根据配置参数计算并设置一些内部变量,如模式串的二进制掩码、距离阈值等。
const addChunk = (pattern, startIndex) => {
this.chunks.push({
pattern,
alphabet: createPatternAlphabet(pattern),
startIndex
})
}
createPatternAlphabet
函数的作用是生成一个对象 mask
,它的键是模式字符串中的字符,值是一个二进制数,表示该字符在模式字符串中的位置。这个字典用于后续的位运算匹配算法中,用于计算某个字符在目标字符串中出现的位置。
export default function createPatternAlphabet(pattern) {
let mask = {}
for (let i = 0, len = pattern.length; i < len; i += 1) {
const char = pattern.charAt(i)
mask[char] = (mask[char] || 0) | (1 << (len - i - 1))
}
return mask
}
|
表示按位或运算,可以理解为二进制中的||
,只要某一二进制位有一个是1,就是1,如果都是0,则是0。
<<
表示左移运算。1 << (len - i - 1)
表示将数字1
左移len-i-1
位。比如 len=4
,i=2
,将 1
左移 (4-2-1)
位,即左移 1
位,结果为 00000010
,也就是十进制数 2
。
以模式字符串"hello"
为例,则 mask
对象可能如下所示:
{
"h": 16, // 二进制00010000,表示 "h" 在模式字符串的第一个位置
"e": 8, // 00001000,第二个位置
"l": 3, // 00000011,第三和第四个位置
"o": 1 // 00000001,第五个位置
}
searchIn方法中,调用了search函数。可以看到,search函数接收了text
目标字符串,以及pattern
模式串和opions
参数,用于在目标字符串中搜索模式串。
const { isMatch, score, indices } = search(text, pattern, alphabet, {
location: location + startIndex,
distance,
threshold,
findAllMatches,
minMatchCharLength,
includeMatches,
ignoreLocation
})
fuse.js提供了这些参数的默认值,比如其中的FuzzyOptions:
export const FuzzyOptions = {
location: 0,
threshold: 0.6,
distance: 100
}
我们重点关注threshold
参数,它表示匹配的阈值,取值范围为 [0, 1]
。如果匹配的得分小于阈值,则表示匹配失败。在进行模式分配时,Fuse.js 会根据模式串的长度,以及 threshold
参数,计算出一个可以接受的最大编辑距离,即 distance
参数。如果两个字符串的编辑距离超过了这个值,就认为它们不匹配。
具体来说,对于一个长度为 m
的模式串,计算出的最大编辑距离 d
约为 m * (1 - threshold)
。例如,如果 threshold
为 0.6
,模式串的长度为 4
,则 d = 4 * (1 - 0.6) = 1.6
,向下取整后得到 1
。也就是说,对于一个长度为 4
的模式串,最多允许编辑距离为 1
。
computeScore
根据传入的参数计算出当前匹配的得分,分数越低表示匹配程度越高。
export default function computeScore(
pattern,
{
errors = 0,
currentLocation = 0,
expectedLocation = 0,
distance = Config.distance,
ignoreLocation = Config.ignoreLocation
} = {}
) {
const accuracy = errors / pattern.length
if (ignoreLocation) {
return accuracy
}
const proximity = Math.abs(expectedLocation - currentLocation)
if (!distance) {
// Dodge divide by zero error.
return proximity ? 1.0 : accuracy
}
return accuracy + proximity / distance
}
accuracy = 错误数/模式长度
,表示当前匹配的质量。proximity = 期望位置 - 当前匹配位置
的绝对值,表示它们之间的距离。如果 distance
为 0,避开被除数为0的错误,判断二者之间距离,返回阙值 1 或者 匹配质量的分数。否则,根据错误数和期望位置和实际位置之间的距离,计算出匹配得分 score = accuracy + proximity / distance
。
我们得到了匹配得分,现在让我们回到search函数。
while
循环在每次迭代中执行以下操作:在 text
中搜索 pattern
,并调用computeScore
计算每个匹配的得分。该循环用来优化搜索算法,不断比较模式与文本中的字符串,直到找到最佳匹配为止。
let index
// Get all exact matches, here for speed up
while ((index = text.indexOf(pattern, bestLocation)) > -1) {
let score = computeScore(pattern, {
currentLocation: index,
expectedLocation,
distance,
ignoreLocation
})
currentThreshold = Math.min(score, currentThreshold)
bestLocation = index + patternLen
if (computeMatches) {
let i = 0
while (i < patternLen) {
matchMask[index + i] = 1
i += 1
}
}
}
currentThreshold
表示当前的阈值,用于控制什么样的匹配可以被接受。它初始化为最大值,然后每次迭代都会被更新为当前最优匹配的得分,以保证后续的匹配得分不会超过当前最优解。同时,如果computeMatches
为true
,则在 matchMask
数组中标记匹配,以便后续统计匹配数。
每次开始搜索前,重置几个变量如bestLocation
、binMax
,计算掩码mask
的值,掩码的长度等于搜索模式的长度 patternLen
。
bestLocation = -1
let lastBitArr = []
let finalScore = 1
let binMax = patternLen + textLen
const mask = 1 << (patternLen - 1)
用一个for循环遍历给定的搜索模式中的每个字符,计算出搜索模式的每个字符对应的掩码值,这个掩码用来进行位运算匹配。
for (let i = 0; i < patternLen; i += 1){
//...不急不急,后面一步步来分解。
}
我们先看这个循环体内的一个while
循环。一个熟悉的二分查找算法,还有一个老朋友computeScore
函数:计算当前二分区间中间位置的得分。简直就像是即将迷路的旅人见到了自己熟悉的物事。うれしい! 胜利在望了啊同志们!
let binMin = 0
let binMid = binMax
while (binMin < binMid) {
const score = computeScore(pattern, {
errors: i,
currentLocation: expectedLocation + binMid,
expectedLocation,
distance,
ignoreLocation
})
if (score <= currentThreshold) {
binMin = binMid
} else {
binMax = binMid
}
binMid = Math.floor((binMax - binMin) / 2 + binMin)
}
在这个循环中,每次计算二分区间中间位置的得分,然后根据当前得分和阈值来更新区间端点。这样,循环会不断缩小搜索范围,直到找到最佳匹配或者搜索范围缩小到为空为止。再用这个值赋值给binMax
作为下一次二分搜索中的右端点:
// Use the result from this iteration as the maximum for the next.
binMax = binMid
计算出左端点 start 和右端点 finish:
let start = Math.max(1, expectedLocation - binMid + 1)
let finish = findAllMatches
? textLen
: Math.min(expectedLocation + binMid, textLen) + patternLen
// Initialize the bit array
let bitArr = Array(finish + 2)
bitArr[finish + 1] = (1 << i) - 1
左端点 start
的值是 expectedLocation - binMid + 1
和 1
中的较大值,这样可以保证搜索区间的左端点不会小于 1
。右端点 finish
的值取决于变量 findAllMatches
和文本长度 textLen
。如果 findAllMatches
为true,需要搜索整个文本,则将右端点 finish
设置为文本长度 textLen
。否则,将右端点 finish
设置为 expectedLocation + binMid
和 textLen
中的较小值,并加上搜索模式长度 patternLen
,以便搜索可能包含匹配项的区间。
初始化二进制数组 bitArr
,长度为 finish + 2
。数组中的每个元素代表一位二进制数中的一位。在 bitArr
数组中,右端点 finish + 1
的元素被设置为一个二进制数,(1 << i) - 1
确保其后i
位均为 1
,其余位为 0
。在后面的算法中,用来存储搜索模式和文本之间的匹配信息。
从右往左遍历文本中的每个字符。这个循环体的代码很长,没关系,继续分解便是。
for (let j = finish; j >= start; j -= 1) {
let currentLocation = j - 1
let charMatch = patternAlphabet[text.charAt(currentLocation)]
if (computeMatches) {
// Speed up: quick bool to int conversion (i.e, `charMatch ? 1 : 0`)
matchMask[currentLocation] = +!!charMatch
}
// First pass: exact match
bitArr[j] = ((bitArr[j + 1] << 1) | 1) & charMatch
// Subsequent passes: fuzzy match
if (i) {
bitArr[j] |=
((lastBitArr[j + 1] | lastBitArr[j]) << 1) | 1 | lastBitArr[j + 1]
}
if (bitArr[j] & mask) {
finalScore = computeScore(pattern, {
errors: i,
currentLocation,
expectedLocation,
distance,
ignoreLocation
})
// This match will almost certainly be better than any existing match.
// But check anyway.
if (finalScore <= currentThreshold) {
// Indeed it is
currentThreshold = finalScore
bestLocation = currentLocation
// Already passed `loc`, downhill from here on in.
if (bestLocation <= expectedLocation) {
break
}
// When passing `bestLocation`, don't exceed our current distance from `expectedLocation`.
start = Math.max(1, 2 * expectedLocation - bestLocation)
}
}
}
先看第一段:
let currentLocation = j - 1
let charMatch = patternAlphabet[text.charAt(currentLocation)]
if (computeMatches) {
// Speed up: quick bool to int conversion (i.e, `charMatch ? 1 : 0`)
matchMask[currentLocation] = +!!charMatch
}
// First pass: exact match
bitArr[j] = ((bitArr[j + 1] << 1) | 1) & charMatch
这里 根据该字符是否与模式串中的对应字符匹配,更新 bitArr 数组相应位置的值。
patternAlphabet[text.charAt(currentLocation)]
用于获取当前位置的字符在模式串中最右边出现的位置。如果该字符不在模式串中,则返回 undefined。然后,将这个位置记录在 charMatch
变量中,以便在后面的匹配过程中使用。
(bitArr[j + 1] << 1 | 1)
将右侧位置的匹配状态左移一位,将最后一位设为 1,保证右侧位置的比特位都是 1。再用& charMatch
和当前位置对应的字符是否匹配的比特位进行与运算。如果匹配,那么与运算的结果就是 1,否则是 0。这个过程实际上是在构建比特矩阵,用于后续的模糊匹配。
这里需要注意的是,由于 bitArr 数组的长度比文本串和模式串的长度都要长 2,因此 bitArr 数组中最后两个位置的值都为 0,即 bitArr[finish + 1] 和 bitArr[finish + 2] 的值都为 0。
// Subsequent passes: fuzzy match
if (i) {
bitArr[j] |=
((lastBitArr[j + 1] | lastBitArr[j]) << 1) | 1 | lastBitArr[j + 1]
}
这段代码实现了模糊匹配的逻辑。lastBitArr
初始化为空数组,在后面的代码中,会看到被赋值为上一次循环的bitArr
。
在第一次匹配只考虑完全匹配,bitArr[j]
只需要用到 bitArr[j+1]
。但是在后续的匹配需要考虑字符不匹配的情况,那么就需要用到 lastBitArr
数组,它存储了上一次匹配的结果。具体来说,对于当前位置 j
,我们把左侧、上侧和左上侧三个位置【这仨位置可以想象成看似矩阵实际是二维数组的左、左上、上,比如最长公共子序列那个算法】的匹配结果进行或运算,并左移一位。然后再和 1 或上一个特定的值(lastBitArr[j+1]
),最终得到 bitArr[j]
的值。这样就可以考虑字符不匹配的情况,实现模糊匹配的功能。
接下来,判断当前位置的匹配结果是否满足阈值要求,如果满足,则更新最优匹配位置。
if (bitArr[j] & mask) {
finalScore = computeScore(pattern, { //...一些参数,这里省略 })
// This match will almost certainly be better than any existing match.
// But check anyway.
if (finalScore <= currentThreshold) {
// Indeed it is
currentThreshold = finalScore
bestLocation = currentLocation
// Already passed `loc`, downhill from here on in.
if (bestLocation <= expectedLocation) {
break
}
// When passing `bestLocation`, don't exceed our current distance from `expectedLocation`.
start = Math.max(1, 2 * expectedLocation - bestLocation)
}
}
如果 bitArr[j] & mask
的结果为真,则说明当前位置匹配成功,接下来计算当前位置的得分 finalScore
。如果 finalScore
小或等于当前阈值 currentThreshold
,说明当前匹配结果更优,更新阈值和最优匹配位置 bestLocation
。
如果最优匹配位置 bestLocation
小于等于期望位置 expectedLocation
,说明已经找到了期望位置的最优匹配,跳出循环;否则更新搜索起点 start
,保证在向左搜索时不超过当前距离期望位置的距离。
??判断当前错误距离是否已经超出了之前最好的匹配结果,如果已经超出,则终止后续匹配,因为后续匹配的结果不可能更优。
// No hope for a (better) match at greater error levels.
const score = computeScore(pattern, {
errors: i + 1,
currentLocation: expectedLocation,
expectedLocation,
distance,
ignoreLocation
})
if (score > currentThreshold) {
break
}
lastBitArr = bitArr
最后,真的最后了??:
const result = {
isMatch: bestLocation >= 0,
// Count exact matches (those with a score of 0) to be "almost" exact
score: Math.max(0.001, finalScore)
}
if (computeMatches) {
const indices = convertMaskToIndices(matchMask, minMatchCharLength)
if (!indices.length) {
result.isMatch = false
} else if (includeMatches) {
result.indices = indices
}
}
convertMaskToIndices()
函数将匹配掩码转换为匹配的索引数组。以上,我们得到了search的结果。
接下来,回到searchIn函数,我们会看到对result结果的一些其它处理。这里不再赘述。
动态规划(Dynamic Programming)常用于处理具有有重叠子问题和最优子结构性质的问题,它将原问题分解成一系列子问题,通过求解子问题的最优解来推算出原问题的最优解。动态规划算法两个关键步骤:设计状态转移方程,用来表示状态之间的关系;确定边界,设置循环结束条件。
一个经典的动态规划算法例子,使用动态规划算法实现斐波那契数列:
function fibonacci(n) {
if (n === 0 || n === 1) return n;
const dp = new Array(n + 1).fill(0);
dp[0] = 0;
dp[1] = 1;
for (let i = 2; i <= n; i++) {
dp[i] = dp[i - 1] + dp[i - 2];
}
return dp[n];
}
Levenshtein算法是一种用于计算两个字符串之间的编辑距离的算法,即需要将一个字符串转换为另一个字符串所需的最少编辑次数。编辑操作可以是插入、删除或替换字符。
function levenshteinDistance(str1, str2) {
const m = str1.length;
const n = str2.length;
const dp = [];
for (let i = 0; i <= m; i++) {
dp[i] = [i];
}
for (let j = 1; j <= n; j++) {
dp[0][j] = j;
}
for (let i = 1; i <= m; i++) {
for (let j = 1; j <= n; j++) {
const cost = str1[i-1] === str2[j-1] ? 0 : 1;
dp[i][j] = Math.min(
dp[i-1][j] + 1,//删除
dp[i][j-1] + 1,
dp[i-1][j-1] + cost
);
}
}
return dp[m][n];
}
让我们照着下图来分析如何求出dp[i][j]
。
| | | s | i | t | t | i | n | g |
| | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| k | 1 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
| i | 2 | 2 | 1 | 2 | 3 | 4 | 5 | 6 |
| t | 3 | 3 | 2 | 1 | 2 | 3 | 4 | 5 |
| t | 4 | 4 | 3 | 2 | 1 | 2 | 3 | 4 |
| e | 5 | 5 | 4 | 3 | 2 | 2 | 3 | 4 |
| n | 6 | 6 | 5 | 4 | 3 | 3 | 2 | 3 |
假设我们要将字符串 str1
转换为字符串 str2
,并且我们已经定义了一个二维数组 dp
,其中 dp[i][j]
表示将字符串 str1
的前 i
个字符转换为字符串 str2
的前 j
个字符所需的最少编辑次数。
为了求出 dp[i][j]
,我们可以考虑将字符串 str1
的前 i
个字符转换为字符串 str2
的前 j
个字符时,最后一步进行了什么操作。可能的操作有三种:
str1
中的第 i
个字符,然后将剩余的字符转换为字符串 str2
的前 j
个字符。这种情况下,dp[i][j]
就等于 dp[i-1][j] + 1
,其中 dp[i-1][j]
表示将字符串 str1
的前 i-1
个字符转换为字符串 str2
的前 j
个字符所需的最少编辑次数,再加上删除字符的操作次数 1。str1
的第 i
个位置插入字符 str2[j]
,然后将剩余的字符转换为字符串 str2
的前 j
个字符。这种情况下,dp[i][j]
就等于 dp[i][j-1] + 1
,其中 dp[i][j-1]
表示将字符串 str1
的前 i
个字符转换为字符串 str2
的前 j-1
个字符所需的最少编辑次数,再加上插入字符的操作次数 1。str1
中的第 i
个字符替换为字符 str2[j]
,然后将剩余的字符转换为字符串 str2
的前 j
个字符。这种情况下,dp[i][j]
就等于 dp[i-1][j-1] + cost
,其中 dp[i-1][j-1]
表示将字符串 str1
的前 i-1
个字符转换为字符串 str2
的前 j-1
个字符所需的最少编辑次数,再加上替换字符的操作次数 cost(如果 str1[i]
和 str2[j]
相同,那么 cost
就为 0,否则 cost
就为 1)。上述三种操作中所需的最少编辑次数取最小值,便可作为将字符串 str1
的前 i
个字符转换为字符串 str2
的前 j
个字符所需的最少编辑次数。
以上就是Fuse.js模糊查询算法学习指南的详细内容,更多关于Fuse.js模糊查询算法的资料请关注编程网其它相关文章!
--结束END--
本文标题: Fuse.js模糊查询算法学习指南
本文链接: https://lsjlt.com/news/199544.html(转载时请注明来源链接)
有问题或投稿请发送至: 邮箱/279061341@qq.com QQ/279061341
2024-01-12
2023-05-20
2023-05-20
2023-05-20
2023-05-20
2023-05-20
2023-05-20
2023-05-20
2023-05-20
2023-05-20
回答
回答
回答
回答
回答
回答
回答
回答
回答
回答
0