这是一个面试问题。
您必须编写程序，它会查找包含所有给定关键字的所有文件。您将如何预处理文件以提高搜索性能。
我的回答：
我会使用Lucene（或任何其他文字搜索引擎）。如果我需要手动实现它，我将构建一个索引，将文档单词映射到文档 ids 。我们应该用B-trees来实现该索引。另一种方法是使用RDBMS（mySQL或smth。）但对我来说这看起来有点过分。
有意义吗？你会如何回答这个问题？
答案 0 :(得分：2)
我同意，大多数时候文本搜索引擎是要走的路......真的很容易构建和可靠。这里只是一个小细节：默认情况下，大多数引擎会进行OR搜索，因此您必须指定要匹配所有单词。
如果你必须构建自己的解决方案，是的，显然你必须构建映射..我会使用哈希查找而不是树索引，但你的树可能不会太大，所以这只是一个小的性能改进。不过，我没有看到使用树的重点，你不需要它的遍历功能，你永远不会搜索上一个或下一个单词..
当您实际检查如何使用数据结构时，会弹出更多有趣的详细信息。我们来看一个示例搜索：The pony he comes。直观地说，你不会用the开始查找，可能所有文件都包含它（假设它们是英文文本）。 pony是一个不错的选择，可以轻松缩小搜索范围。大多数文本搜索引擎都包含一个指标：有多少文档包含该特定单词。因此，基于您从最不频繁的一个开始，并按增加的频率顺序检查单词。
一旦你设法缩小搜索范围，就会开始意识到你的索引效果不好......你仍然需要检查the这个词，并且在你的索引中会显示数以万计的文档，所以在这一点上，最好使用反向映射，从文档到单词（再次，哈希查找或trie）。您检查少数文档，看它们是否包含剩余的单词。
注意：这里有很多决定（如何存储映射，简单或双重映射，btree / hash / trie / ...）取决于项目的规模。如果您必须搜索几个文件，并且如果您必须索引github上的所有文件，或者进行基因序列搜索，即使索引可能不适合内存，也可以构建一些简单的东西...