Fuse.js探秘

模糊查询算法的学习笔记

2023-03-12 18:33

任他黄沙漫天或万里无云,我亦心无旁骛。

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

tips:本文代码不全,请结合算法相关源码食用。

fuse是个嘛

经评论区大佬的提醒,我增加了这一节。万分感谢♪(・ω・)ノ

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。

如何使用fuse

  1. 安装
//npm
$ npm install --save fuse.js

//yarn
$ yarn add fuse.js
  1. 导入
//es6
import Fuse from 'fuse.js'

//commonJS
const Fuse = require('fuse.js')

// `<script>`标签引用,具体看官网。
  1. demo

创建一个Fuse实例,第一个参数data是搜索数据源,options是搜索配置项。更多配置项和使用方法可以查看fuse.js官网

const data = [
  {
    "title": "Old Man's War",
    "author": {
      "firstName": "John",
      "lastName": "Scalzi"
    }
  },
  {
    "title": "Lamb",
    "author": {
      "firstName": "Christopher",
      "lastName": "Moore"
    }
  }
];

const options = {
  keys: ['title']
};

const fuse = new Fuse(data, options);

使用Fuse实例的search()方法搜索数据,可将搜索字符串作为参数传递给该方法,搜索结果默认按匹配程度排序。

const result = fuse.search('lmb');
console.log(result);
// Output: [{
//    "item": {
//      "title": "Lamb",
//      "author": {
//        "firstName": "Christopher",
//        "lastName": "Moore"
//      }
//    },
//    "refIndex": 1
//  }
//]

以上便是基本的用法和大概的效果。接下来让我们聚焦其核心算法。

核心算法Bitap

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。

构造函数初始化

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。

export default class BitapSearch{
  constructor(pattern, {location, threhold, //...其它config参数略}){
    this.pattern = isCaseSensitive ? pattern : pattern.toLowerCase()
    this.chunks = []
    const addChunk = (pattern, startIndex) => {
      this.chunks.push({
        pattern,
        alphabet: createPatternAlphabet(pattern),
        startIndex
      })
    }
    const len = this.pattern.length
    
    if (len > MAX_BITS) {//MAX_BITS = 32
      let i = 0
      const remainder = len % MAX_BITS
      const end = len - remainder

      while (i < end) {
        addChunk(this.pattern.substr(i, MAX_BITS), i)
        i += MAX_BITS
      }

      if (remainder) {
        const startIndex = len - MAX_BITS
        addChunk(this.pattern.substr(startIndex), startIndex)
      }
    } else {
      addChunk(this.pattern, 0)
    }
  }
}

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=4i=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
}

类暴露的searchIn方法

参数和工具函数

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 threshold0.6,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。

第一次循环:

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computeMatchestrue,则在 matchMask 数组中标记匹配,以便后续统计匹配数。

第二次循环

每次开始搜索前,重置几个变量如bestLocationbinMax,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。
}
二分查找算法更新区间端点

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
计算区间两端的值

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 + 11 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 + binMidtextLen 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。

遍历区间

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。

基于动态规划算法的Levenshtein算法

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:

  1. 删除字符串 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。
  2. 在字符串 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。
  3. 将字符串 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]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。

感谢能耐心看到这里的读者们。通过以上的探索,我明白了是什么,却还有“为什么”的疑问。若有大佬不吝赐教,我愿意虚心接受,感激不尽。