使用Trie 树实现搜索引擎的搜索关键词提示功能

搜索引擎的搜索关键词提示功能不用讲了吧，相信你们都用过．那么他是如何实现的呐？今天就来讲一说它底层最基本的原理：Trie 树

什么是“Trie 树”？

Trie 树，也叫“字典树”。顾名思义，它是一个树形结构。它是一种专门处理字符串匹配的数据结构，用来解决在一组字符串集合中快速查找某个字符串的问题。

固然，这样一个问题能够有多种解决方法，好比散列表、红黑树，或者一些字符串匹配(KMP,BM)算法，可是，Trie 树在这个问题的解决上，有它特有的优势。不只如此，Trie 树能解决的问题也不限于此，咱们一下子慢慢分析。

咱们先来看下，Trie 树到底长什么样子。

我举个简单的例子来讲明一下。咱们有 6 个字符串，它们分别是：how，hi，her，hello，so，see。咱们但愿在里面屡次查找某个字符串是否存在。若是每次查找，都是拿要查找的字符串跟这 6 个字符串依次进行字符串匹配，那效率就比较低，有没有更高效的方法呢？

这个时候，咱们就能够先对这 6 个字符串作一下预处理，组织成 Trie 树的结构，以后每次查找，都是在 Trie 树中进行匹配查找。Trie 树的本质，就是利用字符串之间的公共前缀，将重复的前缀合并在一块儿。最后构造出来的就是下面这个图中的样子。

其中，根节点不包含任何信息。每一个节点表示一个字符串中的字符，从根节点到红色节点的一条路径表示一个字符串（注意：红色节点并不都是叶子节点）（这里我有点不太懂 ）

为了让你更容易理解 Trie 树是怎么构造出来的，我画了一个 Trie 树构造的分解过程。构造过程的每一步，都至关于往 Trie 树中插入一个字符串。当全部字符串都插入完成以后，Trie 树就构造好了。

当咱们在 Trie 树中查找一个字符串的时候，好比查找字符串“her”，那咱们将要查找的字符串分割成单个的字符 h，e，r，而后从 Trie 树的根节点开始匹配。如图所示，绿色的路径就是在 Trie 树中匹配的路径。

若是咱们要查找的是字符串“he”呢？咱们还用上面一样的方法，从根节点开始，沿着某条路径来匹配，如图所示，绿色的路径，是字符串“he”匹配的路径。可是，路径的最后一个节点“e”并非红色的。也就是说，“he”是某个字符串的前缀子串，但并不能彻底匹配任何字符串。

看到这里，我以为我刚开始想得就是这种树，哈哈哈哈^_^

如何实现一棵 Trie 树？

知道了 Trie 树长什么样子，咱们如今来看下，如何用代码来实现一个 Trie 树。

从刚刚 Trie 树的介绍来看，Trie 树主要有两个操做，

• 一个是将字符串集合构形成 Trie 树。这个过程分解开来的话，就是一个将字符串插入到 Trie 树的过程。
• 另外一个是在 Trie 树中查询一个字符串。

了解了 Trie 树的两个主要操做以后，咱们再来看下，如何存储一个 Trie 树？ 从前面的图中，咱们能够看出，Trie 树是一个多叉树。咱们知道，二叉树中，一个节点的左右子节点是经过两个指针来存储的，那对于多叉树来讲，咱们怎么存储一个节点的全部子节点的指针呢？

其中一种存储方式，也是经典的存储方式，大部分数据结构和算法书籍中都是这么讲的。还记得咱们前面讲到的散列表吗？借助散列表的思想，咱们经过一个下标与字符一一映射的数组，来存储子节点的指针。这句话稍微有点抽象，不怎么好懂，我画了一张图你能够看看。

具体实现和结构定义请看代码，我本身以为这个理解起来还算是比较简单，重点应该放在实现

#include <iostream>
#include <string>
#include <new>
#include <vector>
using namespace std;
class TrieNode
{
  public:
	explicit TrieNode(char data_t, bool end) : data_(data_t)
	{
		children_[26] = {nullptr};
		isEndingChar_ = end;
	}

  public:
	char data_;
	TrieNode *children_[26]; // a－z
	bool isEndingChar_;
};
class TrieTree
{
  public:
	TrieTree()
	{
		root = new TrieNode('/', false);
	}
	~TrieTree()
	{
		destroy(root);
	}
	void insertString(const string &str)
	{
		TrieNode *tmp = root;
		int num = str.size();
		for (int i = 0; i < num; i++)
		{
			int index = str[i] - 'a';
			if (!tmp->children_[index])
			{
				if (i != num - 1)
					tmp->children_[index] = new TrieNode(str[i], false);
				else
					tmp->children_[index] = new TrieNode(str[i], true);

			} // not null
			tmp = tmp->children_[index];
		}
	}
	int searchString(string str)
	{
		TrieNode *tmp = root;
		int index = 0;
		for (auto i : str)
		{
			index = i - 'a';
			if (!tmp->children_[index])
				return -1;
			tmp = tmp->children_[index];
		}
		if (tmp->isEndingChar_)
			return 0;
		else
			return 666;
	}

  private:
	class TrieNode *root;
	void destroy(TrieNode *root)
	{
		if (!root)
			return;
		for (int i = 0; i < 26; i++)
		{
			destroy(root->children_[i]);
		}
		delete root;
		root = nullptr;
	}
};
int main(void)
{

	TrieTree tree;
	string insertstrings[5] = {"how", "hi", "hello", "so", "see"};
	for (auto t : insertstrings)
	{
		tree.insertString(t);
	}

	cout << "Please input the strings :" << endl;
	string t1;

	while (1)
	{
		cin >> t1;
		switch (tree.searchString(t1))
		{
		case 0:
			cout << "success find " << endl;
			break;
		case -1:
			cout << "not find " << endl;
			break;
		case 666:
			cout << "is public substr " << endl;
			break;
		}
	}
	return 0;
}

Trie 树的实现，你如今应该搞懂了。如今，咱们来看下，在 Trie 树中，查找某个字符串的时间复杂度是多少？

若是要在一组字符串中，频繁地查询某些字符串，用 Trie 树会很是高效。构建 Trie 树的过程，须要扫描全部的字符串，时间复杂度是 O(n)（n 表示全部字符串的长度和）。可是一旦构建成功以后，后续的查询操做会很是高效。

其实这个也比较容易想的来，就像树同样，挨个字符向下找就好了啊，因此说，构建好 Trie 树后，在其中查找字符串的时间复杂度是 O(k)，k 表示要查找的字符串的长度。，时间仍是主要仍是花费在构建树．

Trie 树真的很耗内存吗？

前面咱们讲了 Trie 树的实现，也分析了时间复杂度。如今你应该知道，Trie 树是一种很是独特的、高效的字符串匹配方法。可是，关于 Trie 树，你有没有听过这样一种说法：“Trie 树是很是耗内存的，用的是一种空间换时间的思路”。这是什么缘由呢？

刚刚咱们在讲 Trie 树的实现的时候，讲到用数组来存储一个节点的子节点的指针。若是字符串中包含从 a 到 z 这 26 个字符，那每一个节点都要存储一个长度为 26 的数组，而且每一个数组存储一个 8 字节指针（或者是 4 字节，这个大小跟 CPU、操做系统、编译器等有关）。并且，即使一个节点只有不多的子节点，远小于 26 个，好比 三、4 个，咱们也要维护一个长度为 26 的数组。(其实这个想一下，那就是26262626．．．．)

真正的数据是一个char，但存储的却还有26个指针，得不尝试啊，并且若是符串中不只包含小写字母，还包含大写字母、数字、甚至是中文，那须要的存储空间就会更多

固然，咱们不能否认，Trie 树尽管有可能很浪费内存，可是确实很是高效。那为了解决这个内存问题，咱们是否有其余办法呢？

咱们能够稍微牺牲一点查询的效率，将每一个节点中的数组换成其余数据结构，来存储一个节点的子节点指针。用哪一种数据结构呢？咱们的选择其实有不少，好比有序数组、跳表、散列表、红黑树等。

假设咱们用有序数组，数组中的指针　按照所指向的子节点中的字符的大小顺序排列。查询的时候，咱们能够经过二分查找的方法，快速查找到某个字符应该匹配的子节点的指针。可是，在往 Trie 树中插入一个字符串的时候，咱们为了维护数组中数据的有序性，就会稍微慢了点。 替换成其余数据结构的思路是相似的，这里我就不一一分析了，你能够结合前面学过的内容，本身分析一下。

实际上，Trie 树的变体有不少，均可以在必定程度上解决内存消耗的问题。好比，缩点优化，就是对只有一个子节点的节点，并且此节点不是一个串的结束节点，能够将此节点与子节点合并。这样能够节省空间，但却增长了编码难度。这里我就不展开详细讲解了，你若是感兴趣，能够自行研究下。

Trie 树与散列表、红黑树的比较

实际上，字符串的匹配问题，笼统上讲，其实就是数据的查找问题。对于支持动态数据高效操做的数据结构，咱们前面已经讲过好多了，好比散列表、红黑树、跳表等等。实际上，这些数据结构也能够实如今一组字符串中查找字符串的功能。咱们选了两种数据结构，散列表和红黑树，跟 Trie 树比较一下，看看它们各自的优缺点和应用场景。

在刚刚讲的这个场景，在一组字符串中查找字符串，Trie 树实际上表现得并很差。它对要处理的字符串有及其严苛的要求。

• 第一，字符串中包含的字符集不能太大。咱们前面讲到，若是字符集太大，那存储空间可能就会浪费不少。即使能够优化，但也要付出牺牲查询、插入效率的代价。

• 第二，要求字符串的前缀重合比较多，否则空间消耗会变大不少。

• 第三，若是要用 Trie 树解决问题，那咱们就要本身从零开始实现一个 Trie 树，还要保证没有 bug，这个在工程上是将简单问题复杂化，除非必须，通常不建议这样作。

• 第四，咱们知道，经过指针串起来的数据块是不连续的，而 Trie 树中用到了指针，因此，对缓存并不友好，性能上会打个折扣。

综合这几点，针对在一组字符串中查找字符串的问题，咱们在工程中，更倾向于用散列表或者红黑树。由于这两种数据结构，咱们都不须要本身去实现，直接利用编程语言中提供的现成类库就好了。

讲到这里，你可能要疑惑了，讲了半天，我对 Trie 树一通否认，还让你用红黑树或者散列表，那 Trie 树是否是就没用了呢？是否是今天的内容就白学了呢？

实际上，Trie 树只是不适合精确匹配查找，这种问题更适合用散列表或者红黑树来解决。Trie 树比较适合的是查找前缀匹配的字符串，也就是相似开篇的那种场景。

如何实现搜索引擎的搜索关键词提示功能？

其实这个也不用讲了吧，很简单，显示出来就好了嘛

若是再稍微深刻一点，你就会想到，上面的解决办法遇到下面几个问题：

• 我刚讲的思路是针对英文的搜索关键词提示，对于更加复杂的中文来讲，词库中的数据又该如何构建成 Trie 树呢？

• 若是词库中有不少关键词，在搜索提示的时候，用户输入关键词，做为前缀在 Trie 树中能够匹配的关键词也有不少，如何选择展现哪些内容呢？

• 像 Google 这样的搜索引擎，用户单词拼写错误的状况下，Google 仍是可使用正确的拼写来作关键词提示，这个又是怎么作到的呢？

你能够先思考一下如何来解决，若是不会也不要紧，这些问题，咱们会在后面具体来说解。

实际上，Trie 树的这个应用能够扩展到更加普遍的一个应用上，就是自动输入补全，好比输入法自动补全功能、IDE 代码编辑器自动补全功能、浏览器网址输入的自动补全功能等等。

总的来说，就是：

• 来作动态集合数据的查找，散列表或者红黑树来。
• 查找前缀匹配的字符串(重复越多越好)，好比搜索引擎中的关键词提示功能这个场景，就比较适合用Trie 来解决，也是 Trie 树比较经典的应用场景。

课后题（想到再来答）：

咱们今天有讲到，Trie 树应用场合对数据要求比较苛刻，好比字符串的字符集不能太大，前缀重合比较多等。若是如今给你一个很大的字符串集合，好比包含 1 万条记录，如何经过编程量化分析这组字符串集合是否比较适合用 Trie 树解决呢？也就是如何统计字符串的字符集大小，以及前缀重合的程度呢？

报一个神奇的bug(真的是玄学):

当我将上面代码的TrieNode改成这样时，他竟然他妈的错了：

explicit TrieNode(char data_t, bool end) : data_(data_t), isEndingChar_(end)
	{
		children_[26] = {nullptr};
	}

或者像这样也会错：

explicit TrieNode(char data_t, bool end) : data_(data_t)
	{
		isEndingChar_ = end;
		children_[26] = {nullptr};
	}

真的是神奇啊，哈哈哈（＂马买皮＂）

参考自：
极客时间　数据结构与算法之美