本文實例講述了python通過BF算法實現關鍵詞匹配的方法。分享給大家供大家參考。具體實現方法如下：

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？其實我們可以把每個詞給看成一個維度，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成了一個i維空間圖，兩個文檔的相似度就是兩個空間圖的接近度。假設文章只有兩維的話，那么空間圖就可以畫在一個平面直角坐標系當中，讀者可以假想兩篇只有兩個詞的文章畫圖進行理解。"
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：目標串t與模式串p逐詞比較，若對應位匹配，則進行下一位比較；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：整體移動方向：可認為在固定的情況下，p從左向右滑動；匹配比較時，從p的最左邊位開始向右逐位與t串中對應位比較。p的滑動距離為1，這導致BF算法匹配效率低（相比其他算法，如：BM，KMP，滑動沒有跳躍）。

該算法的時間復雜度為O（len(t)*len(p))，空間復雜度為O(len(t)+len(p))

希望本文所述對大家的Python程序設計有所幫助。