什么是关键字链接？

什么是关键字链接？

什么是关键字链接？

博客服务Hatena Diary（http://d.hatena.ne.jp/）支持关键字链接，这是个很特别的功能。

该功能在前面的图5.3（p.112）的关键字链接截图中已介绍过。如图5.3所示，写博客时部分关键字会自动加上链接，链接目标就是该关键字的解释页面。Wiki的实现也能给Wiki关键字自动加链接，这个功能与它很相似。

被链接的关键字就是用户在Hatena Keyword（http://k. hatena.ne.jp/）上添加的关键字。本书执笔时（2009年8月），Hatena Keyword已有27万条以上关键字，用户每天创建的新关键字大约有100个。

关键字链接功能就是将输入的文章与27万条关键字字典进行匹配，将必要的地方替换成链接。链接替换操作实际上只是将特定关键字替换成HTML链接标签而已，所以问题就是如何对文章中的关键字进行文本替换。

关键字链接的例子

— Hatena Diary是博客

→<a href="...">Hatena Diary</a>是<a href="...">博客</a>

最初的实现

Hatena Diary刚刚上线时，该功能并没有花太多功夫，简单地采用了正则表达式，将字典中的所有单词用OR连接做成正则表达式。

(foo|bar|baz| ...)

就是这种正则表达式。假设将文本放在$text变量中，那么把替换选项和替换字符串看作表达式的eval选项进行组合，变成以下形式就可以了：

use URI::Escape;

 

$text =~ s/(foo|bar|baz)/&replace_keyword($1)/ge;

 

sub replace_keyword {

    my $w = shift;

    return sprintf '<a href="/keyword/%s">%s</a>', uri_escape($w), $w;

}

出问题了！——关键字字典越来越大

由于关键字是用户创建的，刚上线时单词数并不多，从数据库中取出后直接创建正则表达式以实现关键字链接，这种奢侈的处理也完全没有问题。但是，随着关键字的数量不断增加，问题就来了。处理正则表达式要花费很长时间。最耗时的地方有两处：

u编译正则表达式的处理；

v用正则表达式进行模式匹配的处理。

对于u，可以预先创建正则表达式并保持在内存或磁盘上，即通过缓存的方法能够绕过去了。

对于问题v，把完成了关键字链接的正文文本进行缓存等处理后，开始时能绕过该问题，但要将新添的关键字反映到关键字链接中，必须花费一定时间重新建立缓存，或者从博客服务的特性上看，多一半文章的访问量并不大，导致缓存很难生效，所以该问题并没有完全解决。

用模式匹配实现关键字链接的问题

随着服务的运营，关键字的单词数超过了10万条，而且Hatena Diary增加的整体访问量使得关键字链接的处理次数也增加了许多，系统终于承受不住了。

关键字链接计算耗费大量时间的原因在于正则表达式的算法。详细情况可以参考正则表达式的书籍，简单来说，正则表达式的模式匹配是基于自动机实现的。而且，Perl的正则表达式实现采用的是NFA（Nondeterministic Finite Automata，非确定型有穷自动机）。不仅Perl，实用的语言大多采用了NFA引擎。

像（foo|bar|baz）这种模式匹配，NFA会使用一种简单的方法，从输入的开头尝试匹配，失败的话就尝试下一个单词，如果又失败了，就再次尝试下一个单词。因此，foo不匹配就尝试bar，如果还不匹配，就尝试baz……如此循环下去。因此，计算量与关键字的个数成比例。

服务刚开始时，关键字个数很少，相应的计算量也很少，所以没有发生什么问题。

 

本文节选自《大规模WEB服务开发技术》一书

图书详细信息:http://www.cnblogs.com/broadview/archive/2011/08/17/2143341.html