Trie树

概述

在Google中随意搜索，如下所示：

他会自动显示相关的搜索，不知道有没有想过这个功能是如何实现的呢？面对海量的数据，它怎么能在我输入的同时，如此快速的检索到相关内容呢？当我查找资料后，就遇到了它，Trie树。

What？

Trie树是个什么玩意呢？为啥他能快速进行检索？Trie树也叫字典树。因为它的结构和我们用到的字典基本差不多。

想想，你在字典中差“how”这个单词的动作是怎样的？先找到h，然后在h的基础上找o，再找w。用树来存储这个过程就是这样的：

没毛病。如果存储：how, hello, kan, know这几个单词，如下所示：

简单易懂。在其中查找字符，就跟查字典一样，一级一级往下找就行了。

比如查找单词，“ho”，当找到o时，发现o不是叶子节点，说明“ho”是某个单词的前缀，并不是完整的单词。

看到有人拿Trie树和红黑树、哈希表做对比，红黑树我还没整明白，但是哈希表我知道啊。这俩有可比性么？我觉得没有，完全就是两种数据结构，打眼一看，就知道他们的侧重点不同。很明显Trie树适合进行前缀匹配，而哈希表适合进行精确匹配啊。哦，还有一个，哈希表很多语言都有现成的实现，如HashMap，但Trie树貌似没有。

How

Trie树看着挺厉害的。那如何实现呢？刚才说了，哈希表很多有现成的实现，但Trie树没有，所以要想使用，就得自己来实现。

Trie树说到底还是树结构。其结构体如下：

struct TrieNode{char  data; // 保存字符TrieNode children[26]; // 子节点
}

使用Python写一个简单实现，其他语言也大同小异吧。都需要实现什么功能呢？

将字符串加入
匹配字符串

class Trie:
class TrieNode:"""树的节点"""def __init__(self, data):self.data = dataself.children = {}
def __init__(self):self.root = self.TrieNode(None)
def insert_str(self, string):"""讲字符串添加进trie树中:param string: 字符串"""tmp_trie_node = self.rootfor c in list(string):# 这里使用字母的顺序作为key，方便查找index = ord(c) - ord('a')if not tmp_trie_node.children.get(index):tmp_trie_node.children[index] = self.TrieNode(c)tmp_trie_node = tmp_trie_node.children[index]
def is_match_str(self, string):"""查询字符串是否在树中:param string::return:"""tmp_trie_node = self.rootfor c in list(string):index = ord(c) - ord('a')if not tmp_trie_node.children.get(index):return Falsetmp_trie_node = tmp_trie_node.children[index]return True


if __name__ == '__main__':trie = Trie()for string in ['how', 'hello', 'kan', 'know']:trie.insert_str(string)print(trie.is_match_str('hello'))print(trie.is_match_str('hess'))

很简单的一个小demo

可以看的出来，Trie树在构建的时候，需要扫描所有字符串，但是在查找的时候就很快速了。