Question

给定一组S字符串{S0，S2，S3，...，Sn-1}和字符串P，如何确定函数 bool is_in（string，vector）做了明显的循环。

意思是我不想这样做：

 bool is_in(vector<string>& S, string P)
 {
      for(int i=0; i<S.size(); i++) 
            if(P == S[i]) return true;
      return false; 
 }

理想情况下，我想有一种哈希函数，我可以计算先验。像这样：

 bool is_in(vector<string>& S, string P)
 {
       someHashType h = hash( S );
       if( someFunction( h, S ) return true;
       return false;
 }

注意：

S是静态向量（在我的例子中，大小为1000，未排序）
P我正在测试的字符串集合的条目S（也是未分类的）（在我的情况下，10M） -
这就是我需要快速的原因。
这不是作业问题 - 而是大型软件的一部分。

Answer 1

“我希望这个功能更快”的问题在于它几乎总是会在其他地方涉及一些额外的工作。这可能意味着也可能并不意味着改善是“值得的”。所有这些都取决于您要查找的字符串集合在其余代码中的用途。如果它只是“是这个列表中的单词然后执行X”（例如，对提交消息进行错误的单词检查，其中不得有咒骂词和公司名称），那么我会将向量更改为{{1} }。这有一个O（1）搜索时间，看起来像：

unordered_set

但是这当然会在其他地方产生影响，如果你依赖列表作为向量，那么例如在代码中的其他地方迭代它就会很快，这可能会减慢那部分。

编辑：你有，我接受它，在一个真实的用例中描述你的代码，并发现这个特定的功能需要花费大量的时间。否则，你最好先测量一下。

Answer 2

最后我找到了我要找的东西：

有一个名为BloomFilter的工具，允许预先计算字符串集合的哈希值。

我围绕位于C++Bloom Filter Library

的代码开发了我的解决方案

代码如下：

将所有字符串插入＆＃39; bloom＆＃39;过滤
检查过滤器中是否有给定的字符串。

优点是字符串不需要存储在内存中，就像在set，unordered_set或任何类似的对象中一样。

在我的特定对象中，我有一个包含10M字符串（800MB）的字符串表。内存中过滤器的大小约为20M，搜索速度非常快。

＆＃39; Bloom Filter＆＃39;是一种统计算法，所以它可能有一些误报。 - 但是这个概率非常低（由参数控制）

请注意，没有误报。

高效的is_in（vector <string>＆amp; S，string P）函数

2 个答案: