我正在制作一个需要数千个快速字符串查找和前缀检查的移动应用程序 . 为了加快速度,我从单词列表中创建了一个Trie,它有大约180,000个单词 .
一切都很棒,但唯一的问题是构建这个巨大的trie(它有大约400,000个节点)需要 10 seconds 目前在我的手机上,这真的很慢 .
这是构建trie的代码 .
public SimpleTrie makeTrie(String file) throws Exception {
String line;
SimpleTrie trie = new SimpleTrie();
BufferedReader br = new BufferedReader(new FileReader(file));
while( (line = br.readLine()) != null) {
trie.insert(line);
}
br.close();
return trie;
}
在 O(length of key)
上运行的 insert
方法
public void insert(String key) {
TrieNode crawler = root;
for(int level=0 ; level < key.length() ; level++) {
int index = key.charAt(level) - 'A';
if(crawler.children[index] == null) {
crawler.children[index] = getNode();
}
crawler = crawler.children[index];
}
crawler.valid = true;
}
我正在寻找直观的方法来更快地构建trie . 也许我只在笔记本电脑上构建一次trie,将它以某种方式存储到磁盘上,然后从手机中的文件加载它?但我不知道如何实现这一点 .
或者是否有任何其他前缀数据结构将花费更少的时间来构建,但具有类似的查找时间复杂度?
任何建议表示赞赏 . 提前致谢 .
EDIT
有人建议使用Java Serialization . 我试过了,但是这段代码很慢 very :
public void serializeTrie(SimpleTrie trie, String file) {
try {
ObjectOutput out = new ObjectOutputStream(new BufferedOutputStream(new FileOutputStream(file)));
out.writeObject(trie);
out.close();
} catch (IOException e) {
e.printStackTrace();
}
}
public SimpleTrie deserializeTrie(String file) {
try {
ObjectInput in = new ObjectInputStream(new BufferedInputStream(new FileInputStream(file)));
SimpleTrie trie = (SimpleTrie)in.readObject();
in.close();
return trie;
} catch (IOException | ClassNotFoundException e) {
e.printStackTrace();
return null;
}
}
以上代码能否更快?
我的特里:http://pastebin.com/QkFisi09
单词列表:http://www.isc.ro/lists/twl06.zip
Android IDE用于运行代码:http://play.google.com/store/apps/details?id=com.jimmychen.app.sand
9 回答
Double-Array tries保存/加载非常快,因为所有数据都存储在线性阵列中 . 它们的查找速度也非常快,但插入的成本可能很高 . 我打赌在某处有一个Java实现 .
此外,如果您的数据是静态的(即您不在手机上更新),请考虑DAFSA为您的任务 . 它是存储单词最有效的数据结构之一(必须优于"standard"尝试和基数尝试的大小和速度,比简洁的速度尝试更好,通常比简洁的大小尝试更好) . 有一个很好的C实现:dawgdic - 您可以使用它从命令行构建DAFSA,然后使用Java reader获取结果数据结构(示例实现是here) .
您可以将trie存储为节点数组,并将子节点的引用替换为数组索引 . 您的根节点将是第一个元素 . 这样,您可以轻松地从简单的二进制或文本格式存储/加载您的trie .
这是一种用于在磁盘上存储trie的相当紧凑的格式 . 我将通过其(高效)反序列化算法来指定它 . 初始化一个堆栈,其初始内容是trie的根节点 . 逐个读取字符并按如下方式解释 . 字母A-Z的含义是“分配一个新节点,使其成为当前堆栈顶部的子节点,并将新分配的节点推送到堆栈” . 字母表示孩子所处的位置 . 空格的含义是“将堆栈顶部节点的有效标志设置为true” . 退格(\ b)的含义是“弹出堆栈” .
例如,输入
给出单词列表
. 在桌面上,使用任何方法构造trie,然后通过以下递归算法(伪代码)进行序列化 .
这不是一个神奇的子弹,但你可以通过做 one big memory allocation 而不是一堆小孩来减少你的运行时间 .
当我使用“节点池”而不是依赖于单独的分配时,我在下面的测试代码中看到了大约10%的加速(C,而不是Java,对不起):
只需构建一个大的String []并对其进行排序 . 然后,您可以使用二进制搜索来查找String的位置 . 您也可以根据前缀进行查询而无需太多工作 .
前缀查找示例:
比较方法:
在数组中查找前缀的出现并返回其位置(MIN或MAX表示未找到)
获取String数组和前缀,在数组中打印出前缀的出现次数
尝试预先释放空间所有可能的孩子(256)都有大量的浪费空间 . 你正在让你的缓存哭泣 . 将这些指针存储在可调整大小的数据结构中 .
一些尝试将通过使一个节点表示长字符串来优化,并且仅在需要时断开该字符串 .
您可以使用sqlite和嵌套set或celko树等数据库来存储trie,而不是简单文件,您还可以使用三元搜索trie构建更快,更短(更少节点)的trie .
我不喜欢通过数组中的索引来寻址节点的想法,但仅仅因为它需要再添加一个(指针的索引) . 但是对于预分配节点阵列,您可以在分配和初始化上节省一些时间 . 您还可以通过为叶节点保留前26个索引来节省大量空间 . 因此,您不需要分配和初始化180000个叶节点 .
还有索引,您将能够以二进制格式从磁盘读取准备好的节点数组 . 这必须要快几倍 . 但我不确定如何用你的语言做到这一点 . 这是Java吗?
如果您检查了源词汇表是否已排序,则还可以通过将当前字符串的某些前缀与前一个字符串进行比较来节省一些时间 . 例如 . 前4个字符 . 如果他们是平等的,你可以开始你的
循环从第5级 .
它是空间效率低下还是时间效率低下?如果你正在滚动普通的特里,那么在处理移动设备时,空间可能是问题的一部分 . 查看patricia / radix尝试,特别是如果您将其用作前缀查找工具 .
特里:http://en.wikipedia.org/wiki/Trie
Patricia / Radix trie:http://en.wikipedia.org/wiki/Radix_tree
你没有提到一种语言,但这里有两种Java前缀尝试的实现 .
常规特里:http://github.com/phishman3579/java-algorithms-implementation/blob/master/src/com/jwetherell/algorithms/data_structures/Trie.java
Patricia / Radix(太空效率)特里:http://github.com/phishman3579/java-algorithms-implementation/blob/master/src/com/jwetherell/algorithms/data_structures/PatriciaTrie.java