最佳數據結構，用於在C ++中存儲和搜索短語

Question

我使用trys數據結構存儲單詞。 現在，我有一個要求，即在給定的段落中查找同一段落中是否存在某些短語。

這樣做最有效的方法是什么？ 短語總數不超過100。

Answer 1

如果我是你，我會先使用boost :: multi_index_container來組合一些東西，因為那樣的話，如果以后獲得更多需求，將很容易進行進一步擴展。 如果以后您測量並發現它的性能不足，則可以用優化的數據結構替換它。

Answer 2

指定的特里在許多方面都不理想。

• 首先，它為每個插入的項目構造多個節點。 正如作者所寫，“輸入鍵的每個字符都作為一個單獨的Trie節點插入”。 那是可怕的，不必要的懲罰！ 如果使用大於2的ALPHABET_SIZE ，則會ALPHABET_SIZE侮辱性傷害； 一個五十字節的短語不僅需要五十個節點，而且每個節點的大小可能超過一百個字節……使用該代碼，長度為五十個字節的每個項目或“短語”可能最多需要約5KB的存儲空間！ 這還不是最壞的情況。
• 該算法在內部提供了嵌入malloc ，因此很難進行優化。 每個節點都是其自己的分配，這使得insert非常malloc -heavy。 分配細節應與數據結構處理分開，如果不是出於優化目的，則是為了簡化使用。 大量使用此代碼的程序很可能會遇到與內存碎片和/或高速緩存未命中有關的性能問題，除了用trie代替其他東西外，看不到任何簡單或重大的優化。
• 這不是這里唯一的錯誤...該代碼也不太可移植 ！ 如果你最終在一個古老的運行這個（不老 ;！它們仍然存在），它使用EBCDIC而不是ASCII主機，該代碼會產生緩沖區溢出，而程序員（你）會被稱為解決它。 <sarcasm>吧？ </sarcasm>

我已經編寫了PATRICIA trie實現，該實現每個項目僅使用一個節點，字母大小為2（它使用每個字符的位，而不是每個字符），並允許您使用任何希望的分配... a，我在重構接口方面還沒有付出很大的努力，但是它應該非常接近最優。 您可以在此處找到該實現。 您可以在patricia_test.c測試用例文件中看到插入（使用patricia_add ），檢索（使用patricia_get ）和刪除（使用patricia_remove ）的示例。