用C ++存储和搜索短语的最佳数据结构

Question

我使用尝试数据结构来存储单词。现在，我有一个要求，如果某段短语出现在同一段落中，则需要找到一个段落。

这样做最有效的方法是什么？短语总数不会超过100个。

Answer 1

如果我是你，我会首先使用boost :: multi_index_container将一些东西放在一起，因为如果你以后得到更多的要求，那么进一步扩展它将非常容易。如果稍后您测量并发现它没有充分执行，那么您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是最理想的。

• 首先，它为每个插入的项目构造多个节点。正如作者所写，＆＃34;输入键的每个字符都作为单独的节点插入。＆＃34;这是一个可怕的，不必要的惩罚！使用大于2的ALPHABET_SIZE会增加侮辱伤害;不仅50个字节的短语需要50个节点，而且每个节点的大小可能超过100个字节......每个项目或＆＃34;短语＆＃34;使用该代码，长度为50个字节可能需要高达约5KB的存储空间！这甚至不是最糟糕的。
• 提供的算法在内部嵌入malloc，使得优化非常困难。每个节点都有自己的分配，使insert非常malloc - 很重。分配细节应与数据结构处理分开，如果不是为了优化的目的，那么为了简化使用。大量使用此代码的程序可能会遇到与内存碎片和/或缓存未命中相关的性能问题，除了用trie代替其他东西外，没有任何简单或重要的优化。
• 这不是唯一的错误......这段代码也不是便携式！如果你最终在旧的（不是那个旧;它们仍然存在！）大型机上运行它，它使用EBCDIC而不是ASCII，这个代码将产生缓冲区溢出，程序员（你）将是打电话来解决它。 <sarcasm>这是最优的，对吗？</sarcasm>

我编写了一个PATRICIA trie实现，每个项目只使用一个节点，字母大小为2（它使用每个字符的位，而不是每个字符），并允许您使用您希望的任何分配。唉，我还没有花很多精力去重构它的界面，但它应该非常接近最优。您可以找到该实现here。您可以在patricia_test.c测试用例文件中查看插入（使用patricia_add），检索（使用patricia_get）和删除（使用patricia_remove）的示例。