字典搜索算法，急需，请尽快
来源：互联网 发布：初中英语听力训练软件 编辑：程序博客网 时间：2024/05/07 03:44
字典搜索算法，急需，请尽快！
有一英文字典文件，单词按字母排序以纯文本方式储存，请问有什么好的方法，搜索到指定词条。请注意字典非常庞大——600万单词、每个单词一行，不能使用
1 楼clavy（土土酋长）回复于 2001-07-11 10:58:34 得分 75
运行最快使用hash表查找。
编程最快, 使用2分查找。
能够共享一下这个词库.嘻嘻.Top
2 楼clavy（土土酋长）回复于 2001-07-11 11:00:23 得分 0
能否共享一下这个词库? 如果是个拼写检查/破解用的字典就算了.Top
3 楼songhtao（三十年孤独）回复于 2001-07-11 11:19:33 得分 0
请说说hash的详细算法好吗？请注意600万单词不能一次读到内存。Top
4 楼sirarker（）回复于 2001-07-11 12:53:26 得分 10
我觉得先建立一个近似平衡的二叉树作为
5 楼starfish（海星）回复于 2001-07-11 13:15:39 得分 40
用B树或者B+树存储在硬盘上，搜索的时候用外部检索的算法，比如多路归并
6 楼Arter（阿蒂尔）回复于 2001-07-11 13:18:27 得分 80
1.可以考虑建多级索引
第一级：A,B....Z；
第二级：aa,ab,ac,.....,ze,..;
第三级：...;
2. 每级索引内用
Top
7 楼Arter（阿蒂尔）回复于 2001-07-11 13:30:30 得分 0
散列队列（hash表)查找。
即： A---0 (A与0对应，当然A可对应它的索引表地址)
B---1 ,
...
Z---25,
3.如果、要节省空间可以用starfish(海星)说的“用B树或者B+树存储在硬盘上，搜索的时候用外部检索的算法，比如多路归并技术之类。“
4."600万单词不能一次读到内存。"可以用类是页式系统（分页管理）的方法解决。
Top
8 楼starfish（海星）回复于 2001-07-11 14:32:19 得分 0
建议参考TAOCP (The art of computer programming)的第三卷，专门讲排序和检索的。
在超星数字化图书馆有，中文译名《计算机程序设计技巧（第三卷 排序和查找）》Top
9 楼dqyking（工作真累呀）回复于 2001-07-11 14:34:23 得分 10
查书
Top
10 楼clavy（土土酋长）回复于 2001-07-11 14:53:58 得分 0
to songhtao(三十年孤独)
hash查找就是根据的hash值进行查找. 设计一个hash函数, 这个hash函数能够根据一个单词, 计算出一个hash值. 而这个hash值就是这个单词的存放地址。
用2分查找, 时间复杂度是 O(log2(n)), 而使用hash查找的, 几乎是常数时间。
当然, hash函数要设计的好, 一次的命中率才高。这个你可以看数据结构方面的书。
我不知道你在什么机器上编程, 如果是UNIX系统, 不需要把单词读到内存, 可以用mmap系统调用, 把文件映射到内存, 直接把文件当成虚拟内存。由操作系统进行页交换。其效率还是很高的。
B树或者B+树编程比较麻烦, 尤其要写到文件中时, B+的查找复杂度为 O(logX(n)) , 其中X是每个节点的子节点数。Top
11 楼starfish（海星）回复于 2001-07-11 21:20:56 得分 0
TO:clavy(有巢无车氏)
如果使用哈希表的话，检索时间确实是O(1)，但是那是对于内存中的线性编址的数据而言（即数据必须是线性的连续存储的，这样知道地址就可以在O(1)的 时间内存取数据）。但是对于硬盘上的文件，如果让操作系统来管理的话，不可能是连续存储的，一般是分散在硬盘上不同的簇里面，即使你知道某个记录的相对位 置，比如知道要找的记录是第100个记录，也无法在O(1)的时间内找到第100个记录，因为文件中的记录在硬盘上不是连续存储的，而是类似链表一样存 储，所以要找第100个记录，必须从头找起！所以，你所说的将文件映射成虚存的方法虽然方便但是效率很低，哈希技术也起不了作用。现在一般大型的数据库都 是用B+树将数据组织在硬盘上，跳过操作系统自己来管理硬盘的存取而不是使用文件系统！只有Access等小型数据库（其实Access根本算不上数据 库）才是简单地利用文件系统来管理数据。对于他的这个
Top
12 楼starfish（海星）回复于 2001-07-11 21:25:45 得分 0
对了，顺便说一下，对于复杂的大型数据库（比如原来的旧版本的IBM的DB2），也有一些是自己固定了一部分硬盘扇区专门作为数据库的存储区，或者 将整个硬盘作为数据库的存储区，这时候就可以利用哈希技术了，将数据的内容和它在硬盘上的扇区地址建立映射关系，以便在O(1)的时间内从硬盘上读出数 据，但是这种方法现在很少用，因为插入和删除数据以及整理数据库都很不方便。Top
13 楼AutoAsm（风流总被雨打风吹去）回复于 2001-07-11 23:42:38 得分 20
咱们就在宏观上讨论一下：
HASH表显然是最快的，但要找HASH函数是个问题，可以多级HASH，建议你到图书馆看看有没有将HASH函数的理论著作，我以前看到过一篇讨论散列的博士论文。
另外，如果只查找而不做任何改动的话，用TREE也是一个好方法。很快Top
14 楼big_tian（继续补充）回复于 2001-07-12 05:28:50 得分 10
600万 就是 6M
每个单词10words 是60M,现在计算机流行 128M
你的程序有60M？Top
15 楼clavy（土土酋长）回复于 2001-07-12 09:58:40 得分 0
to starfish(海星)
如果有频繁的插入/删除, 用B+数比较好, 可是编程比较麻烦。
如果数据不是线性存储的, 那么建个索引好了。
即使使用B+树来组织数据, 访问硬盘的数据的时候, 也还是通过操作系统来寻址的。也就是每次访问的复杂度为 B+树的访问复杂度*硬盘数据访问复杂度. :) 而使用hash的访问复杂度为 hash访问复杂度*硬盘访问复杂度.
一般的数据库系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树.
你所说的'绕过操作系统管理文件的数据库', 它们使用的并不是普通的文件, 一般是使用裸设备, 也就是把一个硬盘/分区 当成一个文件。我试验过的, 使用裸设备的情况下, Oracle比使用文件系统的文件存储数据 在IO上快约一倍。 这与oracle 公司公布的数据相同。 这些数据库系统不可能绕过操作系统访问普通文件, 因为在UNIX上, 文件系统千变万化, 这些文件系统可以共同存在于同一实例中, 而且多数UNIX系统厂商都有多种文件系统, Oracle是不可能在其中集成这许多的文件系统的。
把文件映射为内存的方法现在在unix中被普遍使用. 如果你经常使用strace / truss之类的命令的话, 就会发现, 多数的UNIX操作系统命令几乎不用read/write调用, 而用 mmap/munmap . 其效率只所以比read/write高, 是因为它的buffer只有1次复制。
其实, 现在Oracle有一种索引技术称为 bitmap index, 它实际上就是在一个数组里建立起与每行对应的标记。Top
16 楼clavy（土土酋长）回复于 2001-07-12 10:00:48 得分 0
上文中
"一般的数据库系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树."
~~~~~~~
应为
"一般的文件系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树."
~~~~Top
17 楼gofor（）回复于 2001-07-14 11:05:51 得分 0
to starfish:
不同意你的说法：“比如知道要找的记录是第100个记录，也无法在O(1)的时间内找到第100个记录，因为文件中的记录在硬盘上不是连续存储的，而是类似链表一样存储，所以要找第100个记录，必须从头找起！”
如果已知“要读的记录”在文件中的偏移，文件系统可以根据文件分配表FAT快速找到“要读的记录”的物理扇区号，并完成读操作，无须从头找起。要说从 头找起，只是在FAT分配表中从头找起，这无须多少时间，因为FAT相对硬盘容量来说很小，而且多数情况下FAT已缓存到内存。本问题的关键是减少对外存 的访问次数，在内存中对FAT进行的查找不管次数多少，不应计入算法复杂度。Top
18 楼songhtao（三十年孤独）回复于 2001-07-14 14:46:16 得分 0
我是这样回答的，经理没说什么，要我参加
字典搜索软件概要设计
1．引言
1.1 项目名称：
项目名称：字典搜索。
1.2 项目背景和内容概要：
1.负 责 人：宋红涛
2.内容概要：英文字典文件，单词按字母排序以纯文本方式储存。字典非常庞大——600
万单词、每个单词一行，不能使用数据库。
1.3 项目目的：
从大英文字典文件中快速搜索到指定单词
2.概要设计
2.1基本设计概念和处理流程
1.数据分块法。
1.内存中建立若干固定大小数组，数组元素为指向单词字符串的指针。
2.从文件拷贝单词到数组。
3.采用分块查找法——块内无需有序，因为单词按字母排序，所以块内单词有序。块
内按二分法查找。
4.块间有序，待查字符串与最后块最后一条记录比较，在块中，再匹配各块查找。否则，内存中无待查单词，从文件读入后续数据到内存。
5.重复2-4直到单词查到或查找失败。
优点：算法简单，有一定效率。
缺点：可能造成内存碎片。但可通过定期内存重组解决。有一定磁盘访问次数，可能降低效率，但可通过调整分块数和分块大小优化。
2. 分级索引法
1.为英文字典建立索引文件
2.索引文件格式：
单词（定长字符串） 单词偏移量（长整数）
3.读索引到内存一个表中
4.查找索引，找到单词在文件中存在范围。
5.直接在文件中查找单词是否存在。
6.可采用多级索引，把索引存到内存，提高效率，尽量减少访问磁盘次数。
优点：效率高，速度快。
缺点：需要进行索引维护，索引的建立方式对性能影响较大，需要着重考虑。
3. 局部缓存法
1．建立一小文件缓存经常访问的单词
2．利用高速缓存匹配算法查找单词。
优点：20%的单词访问概率为80%极大的提高访问速度
缺点：高速缓存算法有多种，需要适当选择，建议采用自组织线性表法（1.移至顶端、2.交换、3.频率计数（不推荐）），实践证明简单、有效。
补充：最好和其他算法综合使用，以便一旦高速缓存未命中，也能较快的查找或证明查找失败。
4．查找树法
1.建立B/B+树。
2.叶为单词在文件中的偏移量，分子节点存储关键字。
优点：适合大量数据的快速查找，尤其是数据库。
缺点：算法较复杂，关键字的选择特别重要。
5．散列表法
优点：精确匹配效率高
缺点：不改变字典文件结构，我不知道实现。拟单词定长，因为是根据单词找地址，因此查找效率高，但插入删除涉及到大量磁盘i/o效率会极低，只能在后台进行。最后散列函数的选择是一个重点。
3.说明
时间仓促，来不及仔细考虑，也未涉及到具体实现。只是一个不完善的思路。
Top
19 楼clavy（土土酋长）回复于 2001-07-14 17:07:57 得分 0
说说你的平台.
Top
20 楼songhtao（三十年孤独）回复于 2001-07-15 12:40:10 得分 0
windowsTop
21 楼ldy（罗大佑）回复于 2001-07-15 15:11:53 得分 10
:)Top
22 楼lins（Anders*小明）回复于 2001-07-16 10:31:56 得分 10
关注！！
大家多多讨论才是！我听着呢！！Top
23 楼YYboy（）回复于 2001-07-18 14:08:11 得分 5
字典搜索算法，急需，请尽快！
RE: Money,急需，请尽快！Top
24 楼hz1101（lake）回复于 2001-07-18 16:21:10 得分 10
@_
@Top
25 楼YYboy（）回复于 2001-07-19 18:36:51 得分 0
单词按字母排序以纯文本方式储存。字典非常庞大——600
万单词、每个单词一行，
RE: you are crazy!Top
26 楼minkerui（你好）回复于 2001-07-19 20:11:30 得分 20
想做解密软件吗？用SQL吧Top
- 字典搜索算法，急需，请尽快
- 有意的请尽快联系
- Tomcat 全系安全漏洞，请尽快修复
- Tomcat 全系安全漏洞，请尽快修复
- 急需
- 急需！！！！！！！！！！！！
- 急需
- 算法，请不要这么经典 - 平衡二叉搜索树AVL
- 按字典序生成排列的算法(深度优先搜索)
- 转的算法~~图的广度搜索！按照字典…
- 请csdn尽快修复,给用户带来极大的不方便.
- 紧急!！！请尽快将Flash Player升级到9.0.124
- NTP服务一大波安全漏洞已修复，请尽快升级
- 安卓手机系统的目录结构，请尽快掌握
- 争取尽快完成遗传算法的编制
- 从今天开始，CSDN空间正式实施实名制，请大家尽快填写。
- CSDN开始推荐新年度微软MVP了，请大家尽快与我们联系!
- 请还在使用tomcat5.0的朋友尽快换版本吧！
- 高级网络管理员必学知识
- COM和套间(Apartments) 1 - 基本知识
- 人生
- jaas:默认Policy的实现及Policy语法
- 3D文章收藏
- 字典搜索算法，急需，请尽快
- 防火墙相关知识
- Eclipse相关插件下载地址 (转)
- 查找字符串的hash算法
- asp.net中对url进行重写
- 稳定--恐怖的速度
- 字符串Hash散列表设计
- 小弟求一查找算法.要求有点苛刻
- asp/php缓存提高web性能
