2

我正在尝试从大量单词中读取并以一种允许我以后快速检索的方式存储它们。我首先想到的是使用 trie，但我承认我的实现很幼稚，它基本上是嵌套的哈希表，每个键都是不同的字母。现在将一个单词插入到 trie 中需要很长时间（运行这个程序需要 20 多秒），我想知道是否有人对我可以做些什么来改进我的插入有任何想法？这不是为了家庭作业。

import string
import time

class Trie:

    def __init__(self):
        self.root = TrieNode()

    def insert_word(self, word):
        current_node = self.root
        for letter in word:
            trie_node = current_node.get_node(letter)
            current_node = trie_node

class TrieNode:

    def __init__(self):
        self.data = {}

    def get_node(self, letter):
        if letter in self.data:
            return self.data[letter]
        else:
            new_trie_node = TrieNode()
            self.data[letter] = new_trie_node
            return new_trie_node

def main():
    start_time = time.time()
    trie = Trie()

    with open('/usr/share/dict/words', 'r') as dictionary:
        word_list = dictionary.read()
    word_list = word_list.split("\n")

    for word in word_list:
        trie.insert_word(word.lower())

    print time.time() - start_time, "seconds"


if __name__ == "__main__":
    main()
4

2 回答 2

0

在你考虑你的搜索工具是否工作之前，加速你的 trie 初始化是完全没有意义的。

在@unutbu 提到的代码中，您为什么认为它与{'end':False}and混在一起pt['end']=True？

这里有一些测试数据给你：

words_to_insert = ['foo', 'foobar']
queries_expecting_true = words_to_insert
queries_expecting_false = "fo foe foob food foobare".split()

这是另一个想法：除了确定查询词是否存在的能力之外，您没有给出任何指示。如果这是正确的，您应该考虑将您的 DIY trie 与内置的set. 标准：加载速度（考虑从 pickle 执行此操作）、查询速度和内存使用情况。

如果您确实想要检索比 a 更多的内容bool，请替换dict并set重新阅读此答案。

如果您确实想在输入字符串中搜索单词，那么您可以考虑@unutbu 引用的代码，修复了错误并在find函数中进行了一些加速（仅评估len(input)一次，使用xrange而不是range（Python 2.x））和删除了不必要的TERMINAL: False条目：

TERMINAL = None # Marks the end of a word

def build(words, trie=None): # bugs fixed
    if trie is None:
        trie = {}
    for word in words:
        if not word: continue # bug fixed
        pt = trie # bug fixed
        for ch in word:
            pt = pt.setdefault(ch, {})
        pt[TERMINAL] = True
    return trie

def find(input, trie):
    len_input = len(input)
    results = []
    for i in xrange(len_input):
        pt = trie
        for j in xrange(i, len_input + 1):
            if TERMINAL in pt:
                results.append(input[i:j])
            if j >= len_input or input[j] not in pt:
                break
            pt = pt[input[j]]
    return results

或者您可以查看Danny Yoo 的 Aho-Corasick 算法的快速实现。

于 2011-10-01T22:36:08.890 回答
-1

这里有一个 Trie 的替代实现。

比较：Trie.insert_word_build

def build(words,trie={'end':False}):
    '''
    build builds a trie in O(M*L) time, where
        M = len(words)
        L = max(map(len,words))
    '''
    for word in words:
        pt=trie
        for letter in word:
            pt=pt.setdefault(letter, {'end':False})
        pt['end']=True
    return trie

与Trie, 对于每个letterin word,insert_word调用current_node.get_node(letter). 这个方法有一个ifand块，并且必须在到达块时else实例化一个新的，然后将一个新的键值对插入到dict 中。TrieNodeelseself.data

使用build，trie 本身只是一个字典。对于每个letterin word，只需调用pt.setdefault(...). dict方法在 C 中实现，并且比在 Python 中实现类似代码更快。

timeit显示大约 2 倍的速度差异（有利于build）：

def alt_main():
    with open('/usr/share/dict/words', 'r') as dictionary:
        word_list = dictionary.read()
    word_list = word_list.split("\n")
    return build(word_list)


% python -mtimeit -s'import test' 'test.main()'
10 loops, best of 3: 1.16 sec per loop

% python -mtimeit -s'import test' 'test.alt_main()'
10 loops, best of 3: 571 msec per loop
于 2011-10-01T21:42:53.447 回答