我有一大组 (100k) 短字符串（不超过 100 个字符），我需要快速找到所有具有特定子字符串的人。
这将用作用户开始输入的搜索框，系统会立即给出“建议”（以用户输入的文本作为子字符串的字符串）。类似于 StackOverflow 中的“标签”框。
因为这将是交互式的，所以应该很快。您为此推荐什么算法或数据结构？
顺便说一句，我将使用 Delphi 2007。
提前致谢。
【问题讨论】：
标签： algorithm delphi string data-structures substring
我写了一个很长的简介，做了一堆复杂性计算和 xzibit 笑话（一棵树，这样你在查找时可以查找），但后来意识到这比我想象的要容易。浏览器一直都在这样做，而且它们不会在您每次加载页面时预先计算大表。
http://en.wikipedia.org/wiki/Boyer%E2%80%93Moore_string_search_algorithm
这意味着您将 100k 字符串组合成一个长字符串。然后，您获取查询子字符串，并遍历您的大字符串，寻找您的匹配项。但您不是按字符跳跃（这意味着您正在查看 100k*100 次迭代）。你的子字符串的长度在跳跃，所以你的子字符串越长，速度越快。
这是一个很好的例子：http://userweb.cs.utexas.edu/users/moore/best-ideas/string-searching/fstrpos-example.html
他们正在搜索字符串EXAMPLE。
这就是浏览器和文本编辑器所做的事情，而且它们不会在您每次加载页面时真正构建巨大的前缀表。
【讨论】：
您可能想要使用的数据结构是 Trie，特别是后缀 trie。阅读 this article 以获得关于它们如何工作以及如何为您的问题编写一个很好的解释。
【讨论】：
虽然您当然可以使用更好的数据结构来加快速度，但此时蛮力可能完全足够了。做一个快速测试：
[编辑：更改代码以搜索子字符串，再次编辑以缩短它搜索的子字符串与搜索的子字符串相比。]
#include <algorithm>
#include <iostream>
#include <vector>
#include <string>
#include <time.h>
std::string rand_string(int min=20, int max=100) {
size_t length = rand()% (max-min) + min;
std::string ret;
for (size_t i=0; i<length; i++)
ret.push_back(rand() % ('z' - 'a') + 'a');
return ret;
}
class substr {
std::string seek;
public:
substr(std::string x) : seek(x) {}
bool operator()(std::string const &y) { return y.find(seek) != std::string::npos; }
};
int main() {
std::vector<std::string> values;
for (int i=0; i<100000; i++)
values.push_back(rand_string());
std::string seek = rand_string(5, 10);
const int reps = 10;
clock_t start = clock();
std::vector<std::string>::iterator pos;
for (int i=0; i<reps; i++)
pos = std::find_if(values.begin(), values.end(), substr(seek));
clock_t stop = clock();
std::cout << "Search took: " << double(stop-start)/CLOCKS_PER_SEC/reps << " seconds\n";
if (pos == values.end())
std::cout << "Value wasn't found\n";
else
std::cout << "Value was found\n";
return 0;
}
在我的机器上（大约 4 岁——几乎没有按照目前的标准速度恶魔）每次搜索运行大约 3 10 毫秒。这对于交互式用户来说已经足够快了——如果字符串数量是原来的 10 倍，它仍然可以。
【讨论】：
我讨厌不同意 Mike 和他的支持者的观点，但是后缀树（他的链接中描述的数据结构）很难实现。在 Pascal/Delphi 中找到可靠的实现可能也很困难。
Suffix Arrays 提供相同的功能，但更简单。权衡是O(m * logn) 复杂度，其中m 是搜索标记的长度，n 是数据集的大小（在本例中为 100kb）。
如果有人不知道，后缀树和后缀数组都允许您在长文本 t 中找到所有出现的子字符串 s。
Fernando 的问题可以简化为这个问题，方法是使用一些分隔符将一组初始字符串连接成一个字符串。例如，初始设置为["text1", "text2", "some text"]，则结果字符串t 将为"text1|text2|some text"。
现在，我们不需要在每个单词中单独搜索字符串"text"，我们只需要在大字符串t中找到它的所有出现。
我还推荐 Oren 的答案，他提出了另一种现实的方法。
【讨论】：
This Delphi implementation of Boyer-Moore-Horspool 可能会满足您的需求。
免责声明：我没有尝试此代码...
【讨论】：
您可能正在寻找的是n-gram。它用于查找与您的子字符串相关的最可能的单词。非常有趣的东西，虽然对于您正在寻找的东西来说可能有点过头了，但还是很高兴知道。
【讨论】：