【发布时间】：2011-10-04 12:19:54
【问题描述】：
我正在处理文本文件。我想用 Java 实现一个搜索算法。我有一个需要搜索的文本文件。
如果我想找到一个单词，我只需将所有文本放入 hashmap 并存储每个单词的出现即可。但是，如果我想搜索两个字符串（或者可能更多），有什么算法吗？我应该对两个字符串进行哈希处理吗？
【问题讨论】：
【发布时间】：2011-10-04 12:19:54
【问题描述】：
这在很大程度上取决于文本文件的大小。您通常应该考虑以下几种情况：
对非常短的文档（网页、论文长度等）进行大量查询。像普通语言一样的文本分布。一个简单的 O(n^2) 算法就可以了。对于长度为 n 的查询，只需取一个长度为 n 的窗口并将其滑过。比较并移动窗口，直到找到匹配项。该算法不关心单词，因此您只需将整个搜索视为一个大字符串（包括空格）。这可能是大多数浏览器所做的。 KMP 或 Boyer Moore 不值得努力，因为 O(n^2) 的情况非常罕见。
对一个大文档的大量查询。预处理您的文档并将其存储为预处理。常见的存储选项是后缀树和倒排列表。如果您有多个文档，您可以通过连接它们并单独存储文档的结尾来构建一个文档。这是集合几乎不变的文档数据库的方法。
-
如果您有多个文档具有高冗余并且您的集合经常更改，请使用 KMP 或 Boyer Moore。例如，如果您想在 DNA 数据中查找某些序列，并且您经常从实验中获得新的序列来寻找新的 DNA，那么简单算法的 O(n^2) 部分会浪费您的时间。
李>
可能有很多更多的可能性需要不同的算法和数据结构，所以你应该找出最适合你的情况。
【讨论】：
在建议方法之前需要更多细节：
您是只搜索整个单词还是任何子字符串？
您要在同一个未更改的文件中搜索许多不同的单词吗？
你知道要一次性搜索的单词吗？
有许多有效的（线性）字符串搜索算法。如果可能的话，我建议使用已经为您编写的。
http://en.wikipedia.org/wiki/String_searching_algorithm
一个简单的想法是使用滑动窗口哈希，窗口大小与搜索字符串相同。然后在一次通过中，您可以快速检查窗口散列与搜索字符串的散列匹配的位置。它在哪里匹配你仔细检查你是否有一个真正的匹配。
【讨论】：
-
我想搜索一个可能不是子字符串的单词（我现在不想处理通配符）。是的，我要在同一个文件中搜索许多不同的词。不，我不知道我要搜索的词取决于用户。是的，我得到了滑动窗口的想法，但问题是滑动窗口的大小，因为我可以搜索一个或两个组合在一起的单词。前任。如果我可以在这个网页中搜索 1. 许多 2. 许多不同的 3. 许多不同的词。在这里，滑动窗口的大小可以是多少？
-
Rabin Karp 仅在某些特殊情况下（基本上同时搜索多个字符串）与 KMP 或 Boyer Moore 具有可比性，否则最好与其他一个一起使用。如果你想一次搜索更大的词集，Rabin Karp 会很有趣，而且实现起来很简单。
-
浏览器是如何做到的？像铬？它使用哪种算法。因为我试图让浏览器生效
-
如果你想同时搜索 3 个不同长度的不同单词，你可以在同一个 pass 中维护 3 个不同的哈希窗口。您需要以多快的速度执行此操作以及搜索文档的频率？问问自己是否值得费心预处理文档。如果它是像浏览器这样的用户驱动搜索，我会认为上述方法会很好。
-
如果文件从未更改过，并且您期望进行大量搜索，则应将此文件存储为后缀树。在后缀树上搜索子字符串只需 O(m)，其中 m 是字符串的长度（而搜索算法至少需要 O(n)，n 是文本的长度）。但是构建树需要 O(n^2)，因此您需要足够的查询来弥补这一点。