Python 一种高效的HTML文档拼写检查算法

我有一个HTML文档，一个常见拼写错误列表，以及每个案例的正确拼写。 HTML文档最多可达50页，有大约30K个拼写更正条目

纠正此HTML文档中所有拼写错误的有效方法是什么？
（注意：如果您知道任何相关库，我的实现将使用Python。）

我想到了两种可能的方法：

• 构建拼写数据的哈希表
• 从HTML解析文本
• 按空格将文本拆分为标记
• 拼写哈希表中的if标记替换为更正
• 使用更新的文本构建新的HTML文档

这种方法将无法纠正多个单词的拼写错误，这将是存在的。以下是一种简单但似乎效率较低的方法，适用于多词：

• 迭代拼写数据
• 在HTML文档中搜索word
• 如果单词存在，则替换为更正

---

第一种方法比第二种方法快得多，这是正确的（此外，我建议使用直接哈希法，而不是直接哈希法，对于3万个单词，节省的空间将非常可观）

为了仍然能够处理多单词的情况，您可以跟踪上一个标记，从而检查您的散列中是否有组合字符串，例如“prev cur”

或者，您可以将多字更正从哈希中删除，并将两种方法结合起来，首先对单个字使用哈希，然后对多字组合进行扫描（反之亦然）。如果多字更正的数量相对较少，则这可能仍然相对较快

---

但是要小心，取出单词标记比仅仅在空格上拆分要复杂得多。您不希望仅仅因为没有在哈希中找到带逗号的“instence”而无法更正错误。

您是正确的，第一种方法将比第二种方法快得多（此外，我建议使用查找而不是直接哈希，对于30k个单词，节省的空间将非常可观）

为了仍然能够处理多单词的情况，您可以跟踪上一个标记，从而检查您的散列中是否有组合字符串，例如“prev cur”

或者，您可以将多字更正从哈希中删除，并将两种方法结合起来，首先对单个字使用哈希，然后对多字组合进行扫描（反之亦然）。如果多字更正的数量相对较少，则这可能仍然相对较快

---

但是要小心，取出单词标记比仅仅在空格上拆分要复杂得多。你不希望仅仅因为没有在散列中找到逗号为“instence”的“instence”而无法更正错误。

我同意Rob的建议，使用基于字符的trie，因为我在很久以前编程了一个拼写更正算法，该算法基于将有效单词字典存储为trie。通过使用branch和bound，我能够建议拼写错误的单词可能正确的拼写（By）。此外，由于trie只是一个大型有限状态机，添加通用前缀和后缀相当容易，因此它可以处理“后国家主义”之类的“单词”。

我同意Rob的建议，使用基于字符的trie，因为我在很久以前编程了一个拼写纠正算法，它基于有效单词的字典存储为trie。通过使用branch和bound，我能够建议拼写错误的单词可能正确的拼写（By）。此外，由于trie只是一个大型有限状态机，添加通用前缀和后缀相当容易，因此它可以处理“后国家化”之类的“单词”。

30K哈希表很小，不需要trie。您是对的，空间可能不是这里的主要问题。但是对于这种类型的问题，trie结构仍然非常方便。我认为trie结构在这里非常棒，但是在实现方面，您实际上如何完成trie以及遍历？30K哈希表很小，不需要trie。您是对的，空间可能不是这里的主要问题。但是对于这种类型的问题，trie结构仍然非常方便。我认为trie结构在这里非常棒，但是在实现方面，您实际上如何完成trie以及遍历呢？