最佳数据结构，用于在C ++中存储和搜索短语

Question

我使用trys数据结构存储单词。 现在，我有一个要求，即在给定的段落中查找同一段落中是否存在某些短语。

这样做最有效的方法是什么？ 短语总数不超过100。

Answer 1

如果我是你，我会先使用boost :: multi_index_container来组合一些东西，因为那样的话，如果以后获得更多需求，将很容易进行进一步扩展。 如果以后您测量并发现它的性能不足，则可以用优化的数据结构替换它。

Answer 2

指定的特里在许多方面都不理想。

• 首先，它为每个插入的项目构造多个节点。 正如作者所写，“输入键的每个字符都作为一个单独的Trie节点插入”。 那是可怕的，不必要的惩罚！ 如果使用大于2的ALPHABET_SIZE ，则会ALPHABET_SIZE侮辱性伤害； 一个五十字节的短语不仅需要五十个节点，而且每个节点的大小可能超过一百个字节……使用该代码，长度为五十个字节的每个项目或“短语”可能最多需要约5KB的存储空间！ 这还不是最坏的情况。
• 该算法在内部提供了嵌入malloc ，因此很难进行优化。 每个节点都是其自己的分配，这使得insert非常malloc -heavy。 分配细节应与数据结构处理分开，如果不是出于优化目的，则是为了简化使用。 大量使用此代码的程序很可能会遇到与内存碎片和/或高速缓存未命中有关的性能问题，除了用trie代替其他东西外，看不到任何简单或重大的优化。
• 这不是这里唯一的错误...该代码也不太可移植 ！ 如果你最终在一个古老的运行这个（不老 ;！它们仍然存在），它使用EBCDIC而不是ASCII主机，该代码会产生缓冲区溢出，而程序员（你）会被称为解决它。 <sarcasm>吧？ </sarcasm>

我已经编写了PATRICIA trie实现，该实现每个项目仅使用一个节点，字母大小为2（它使用每个字符的位，而不是每个字符），并允许您使用任何希望的分配... a，我在重构接口方面还没有付出很大的努力，但是它应该非常接近最优。 您可以在此处找到该实现。 您可以在patricia_test.c测试用例文件中看到插入（使用patricia_add ），检索（使用patricia_get ）和删除（使用patricia_remove ）的示例。