Trie树主要分为两类,一类是静态的,一次性构建,构建完成后只读,另一类是动态的,随时可以加入新的key。当然,对于动态构建,其写过程,是不一定保证线程安全的。
对于trie的详细分析,见这篇老外的文章:http://www.tkl.iis.u-tokyo.ac.jp/~ynaga/cedar/
性能分析
此部分内容为上边文章的摘要
因为大多数trie都是静态的,所以作者还加入了标准库的map等非trie的数据结构作为横向对比
静态的包括:
libdatrie 0.2.8: double-array trie
libtrie 0.1.1: double-array trie
dary 0.1.1: double-array trie
doar 0.0.13: double-array trie
Darts 0.32: double-array trie
Darts-clone 0.32g: directed acyclic word graph
Darts-clone 0.32e5: Compacted double-array trie
DASTrie 1.0: Compacted double-array trie
tx-trie* 0.18: LOUDS (Level-Order Unary Degree Sequence) trie
ux-trie* 0.1.9: LOUDS double-trie
marisa-trie* 0.2.4: LOUDS nested patricia trie
动态的包括
libdatrie 0.2.8: double-array trie
libtrie 0.1.1: double-array trie
dary 0.1.1: double-array trie
doar 0.0.13: double-array trie
critbit: crit-bit (patricia) tree [4]
libdict: splay tree [5], treap [6], skiplist [7]
C Containers library: scapegoat tree [8]
Andersson tree library: AA tree [9]
tst_vanilla: ternary search tree [10]
Judy Array 1.0.5: Judy trie SL [11]
hat-trie 0.1.0: HAT-trie [12]
array-hash Array Hash: (cache-conscious) hash table [13]
CMPH 2.0: hash table (w/ minimal perfect hash function [14])
std::map <std::string, int> (gcc 4.9.0): red-black tree
std::unordered_map <std::string, int> (gcc 4.9.0): hash table
cpp-btree 1.0.1: B-tree
sparsehash 2.0.2: hash table (sparsetable)
Software | Data Structure | Space [MiB] | Insert [ns/key] | Lookup [ns/key] |
---|---|---|---|---|
cedar | Double-array trie | 1173.02 | 631.06 | 50.40 |
cedar ORDERED=false | Double-array prefix trie | 671.66 | 786.02 | 49.99 |
libdatrie 0.2.8 | Double-array prefix trie | n/a | n/a | n/a |
libtrie 0.1.1 | Double-array two-trie | 2756.30 | 8116.16 | 185.85 |
dary | Double-array trie | 1119.04 | 1786.93 | 79.96 |
doar 0.0.13 | Compacted double-array trie | 2285.21 | 17687.60 | 83.41 |
critbit | Crit-bit (patricia) tree | 1457.02 | 1713.69 | 752.49 |
libdict | Splay tree | 1823.12 | 1541.48 | 229.34 |
libdict | Treap | 1823.13 | 1682.26 | 902.43 |
libdict | Skip list | 1852.86 | 1907.25 | 1265.79 |
Andersson tree library | AA tree | 1457.02 | 2100.03 | 337.14 |
C Containers library | Scapegoat tree | 1891.74 | 2380.65 | 254.34 |
tst_vanilla | ternary search tree | 3318.75 | 1109.25 | 129.12 |
Judy 1.0.5 | Judy trie SL | 897.59 | 580.67 | 142.64 |
hat-trie 0.1.0 | HAT-trie | 695.49 | 916.02 | 75.51 |
std::map | Red-black tree | 2506.27 | 1617.60 | 851.33 |
std::unordered_map | Hash table | 2471.60 | 615.30 | 170.41 |
array hash | Array Hash | 1725.56 | 17273.22 | 330.76 |
CMPH 2.0 | Hash table | 2741.03 | 2744.92 | 285.11 |
cpp-btree 1.0.1 | B-tree | 1744.96 | 1749.96 | 1080.04 |
sparsetable 2.0.2 | Sparse hash table | 1685.41 | 2635.32 | 157.63 |
sparsetable 2.0.2 (dense) | Hash table | 2335.04 | 502.66 | 123.3 |
可以看出cedar
在动态trie中有是有明显优势的,唯一的败像不太难看的是google的sparsetable
,不过sparsetable
是hash表,在查询和容量上都更差一些。同样的hash表的unordered map
因为实现臃肿,速度更慢。
Software | Data Structure | Space [MiB] | Size [MiB] | Build [ns/key] | Lookup [ns/key] |
---|---|---|---|---|---|
cedar | Double-array trie | 832.82 | 816.54 | 183.57 | 38.95 |
cedar ORDERED=false | Double-array prefix trie | 490.59 | 488.35 | 221.87 | 39.07 |
libdatrie 0.2.8 | Double-array prefix trie | 1229.12 | 644.97 | 209955.04 | 124.66 |
libtrie 0.1.1 | Double-array two-trie | 2312.11 | 654.39 | 5401.59 | 181.95 |
dary | Double-array trie | 897.75 | 895.54 | 51144.92 | 57.90 |
doar 0.0.13 | Compacted double-array trie | 1937.25 | 334.59 | 990.51 | 48.00 |
Darts 0.32 | Double-array trie | 4306.02 | 858.93 | 2387.87 | 40.89 |
Darts-clone 0.32g | Directed-acyclic word graph | 2311.39 | 409.17 | 1339.14 | 36.39 |
Darts-clone 0.32e5 | Compacted double-array trie | 2779.10 | 309.31 | 1011.92 | 59.42 |
DASTrie 1.0 | Compacted double-array trie | 2626.16 | 383.37 | 92634.88 | 85.02 |
tx-trie 0.18 | LOUDS trie | 1791.10 | 113.11 | 626.90 | 972.32 |
ux-trie 0.1.9 | LOUDS two-trie | 2223.80 | 92.39 | 1229.11 | 1975.28 |
marisa-trie 0.2.4 | LOUDS nested patricia trie | 2036.49 | 87.27 | 698.76 | 194.87 |
ceder
是动态的,如果传入的key是有序的,会减少内部的操作,所以速度也会提高。静态trie中比较突出的是darts
系列。但是cedar
与其相比并不逊色,两者最终内存占用和查询速度相差无几,但是cedar
的构建时间不到darts
的1/5。并且,darts系的构建过程会耗费大量内存,即峰值内存是cedar
的3倍以上。
综上,选择cedar作为trie是可行的。
使用
使用cedar
十分简单,直接包含头文件即可。
template <typename value_type,
const int NO_VALUE = nan<value_type>::N1,
const int NO_PATH = nan<value_type>::N2,
const bool ORDERED = true,
const int MAX_TRIAL = 1,
const size_t NUM_TRACKING_NODES = 0>
class da;
NO_VALUE的值是-1,NO_PATH的值是-2
因为其他的模版参数都有默认值,一般只特化value_type
即可。
cedar::da<int> trie;
trie.update("hello", strlen("hello"), 1);
接口
cedar
的接口如下,选择一些常用的进行介绍。需要说明的是原始代码中的很多参数有歧义性。这里我对参数名称进行了修改,更符合直观的含义。
template <...>
class da {
size_t capacity() const;
size_t size() const;
size_t total_size() const;
size_t unit_size() const;
size_t nonzero_size() const; // warning: O(size)
size_t num_keys() const; // warning: O(size)
template <typename T>
T exactMatchSearch(const char* key) const;
template <typename T>
T exactMatchSearch(const char* key, size_t len, size_t from=0) const;
template <typename T>
size_t commonPrefixSearch(const char* str, T* result, size_t result_len) const;
template <typename T>
size_t commonPrefixSearch(const char* str, T* result, size_t result_len, size_t len,
size_t from=0) const;
template <typename T>
size_t commonPrefixPredict(const char* str, T* result, size_t result_len);
template <typename T>
size_t commonPrefixPredict(const char* str, T* result, size_t result_len, size_t len,
size_t from = 0);
void suffix(char* key, size_t len, size_t to) const;
value_type traverse(const char* key, size_t& from, size_t& pos) const;
value_type traverse(const char* key, size_t& from, size_t& pos, size_t end_pos) const;
value_type& update(const char* key);
value_type& update(const char* key, size_t len, value_type val=value_type(0));
value_type& update(const char* key, size_t& from, size_t& pos, size_t len,
value_type val=value_type(0));
template <typename T>
value_type& update(const char* key, size_t& from, size_t& pos, size_t len,
value_type val, T& cf)
int erase(const char* key);
int erase(const char* key, size_t len, size_t from = 0);
void erase(size_t from);
int build(size_t num, const char** key, const size_t* len = 0, const value_type* val = 0);
template <typename T>
void dump(T* result, const size_t result_len);
int save(const char* fn, const char* mode = "wb") const;
int open(const char* fn, const char* mode = "rb",
const size_t offset = 0, size_t size_ = 0);
void restore()
void set_array(void* p, size_t size_ = 0);
const void* array() const;
void clear(const bool reuse = true);
int begin(size_t& from, size_t& len);
int next(size_t& from, size_t& len, const size_t root=0);
void test(const size_t from=0) const;
};
update
value_type& update(const char* key);
// update(key, from=0, len=strlen(key), val=0)
value_type& update(const char* key, size_t len, value_type val=value_type(0));
// update(key, from=0, len, val)
value_type& update(const char* key, size_t& from, size_t& pos, size_t len,
value_type val=value_type(0));
插入key,value为0
插入key的[0,len)子串
附加key的[pos,len)子串,到from对应的前缀后
关于from 表示附加到代表节点所对应的前缀后。例如,如果from==0,表示从root开始附加,即以子串作为key。如果from=1000表示的节点是abc,则插入的key是abc+子串。
关于val update的代码中,没有设置val的节点value为0,如果设置了节点则value += val
。这样会有一个很致命的细节,如果多次更新同一个key,那么val值不是覆盖而是累加!这是一个很大的坑,一定要注意。
erase
int erase(const char* key);
int erase(const char* key, size_t len, size_t from = 0);
void erase(size_t from);
找到key对应的节点,并删除(清空value)
找到节点:以from为前缀,附加key的[0, len)子串的key对应的节点。并删除
删除节点
build
int build(size_t num, const char** key, const size_t* len=NULL,
const value_type* val=NULL);
仿照darts的接口。num为数组的大小。key是cstr的数组。len是key对应的长度列表。val是key对应的值列表
关于排序 cedar
是不需要死板的build的,这里只是为了兼容darts
的接口,内层其实是循环调用update。所以key是不需要有序的。
关于val `build内层其实是循环调用update。于是,update中关于val的细节依然适用。如果有重复的key,那么val值不是覆盖而是累加
exactMatchSearch
template <typename T>
T exactMatchSearch(const char* key) const;
// exactMatchSearch(key, len=strlen(key), from=0);
template <typename T>
T exactMatchSearch(const char* key, size_t len, size_t from=0) const;
在内部查找中,无论是NO_PATH(N2),还是NO_VALUE(N1),都返回NO_VALUE(N1)。
这个和darts的行为是一致的。
需要注意的是,这个函数是模板函数,并且无法通过参数推算模版,所以必须显式的指定类型:exactMatchSearch<int>(...)
commonPrefixSearch
template <typename T>
size_t commonPrefixSearch(const char* str, T* result, size_t result_len) const;
// commonPrefixSearch(str, result, result_len, len=strlen(key), from=0);
template <typename T>
size_t commonPrefixSearch(const char* str, T* result, size_t result_len, size_t len,
size_t from=0) const;
返回的是恰好为str的前缀的key的集合。例如"helloworld" -> ["hell", "hello"]
返回的是找到的结果数,参数中的result_len是result的容量。如果有10个结果,但是result_len为5的话,只会写出5个结果,但是返回值是10
commonPrefixPredict
template <typename T>
size_t commonPrefixPredict(const char* str, T* result, size_t result_len);
// commonPrefixPredict(str, result, result_len, len=strlen(key), from=0);
template <typename T>
size_t commonPrefixPredict(const char* str, T* result, size_t result_len, size_t len,
size_t from = 0);
返回的以给定的str为前缀的key的集合。例如"he" -> ["hell", "hello", "help"]
返回的是找到的结果数,参数中的result_len是result的容量。如果有10个结果,但是result_len为5的话,只会写出5个结果,但是返回值是10
traverse
value_type traverse(const char* key, size_t& from, size_t& pos) const;
// traverse(key, form, pos, end_pos=strlen(key))
value_type traverse(const char* key, size_t& from, size_t& pos, size_t end_pos) const;
trie中最重要的函数,可以最灵活的查找trie
重点是依据返回值来判定traverse的结果
如果返回NO_VALUE(N1),说明有key的前缀是当前[pos, end_pos)子串,但没有精确匹配。
如果返回NO_PATH(N2),说明当前子串对应的路径在trie中不存在。
如果返回其他值,说明当前子串对应表示的key恰好在trie中。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。