Trie 树(字典树/前缀树)实现 Java

使用trie树统计单词出现的频数 首先给出trie树的原理:trie树是以空间换取时间,利用字符串的公共前缀来降低查询开销。举个例子:add,addition,这两个单词,他们的公共前缀是add,应用trie数进行存储的时候,add只会被存储一次,如果以add为前缀的单词很多,这样就节省了很多的存储空间。 trie树的性质: 1,字符种数决定trie中branch的个数,以单词为例,共有26个英文单词,那么每个节点中会有26个 阅读详情
Trie 树:

在计算机科学中,trie,又称前缀树或字典树,是一种有序树,用于保存关联数组,其中的键通常是字符串。与二叉查找树不同,键不是直接保存在节点中,而是由节点在树中的位置决定。一个节点的所有子孙都有相同的前缀,也就是这个节点对应的字符串,而根节点对应空字符串。一般情况下,不是所有的节点都有对应的值,只有叶子节点和部分内部节点所对应的键才有相关的值。(摘自 https://zh.wikipedia.org/wiki/Trie)

视频参考:LeetCode 或 B站 https://www.bilibili.com/video/av35452288/?p=70

Trie 树的典型应用场景:

摘自原文:https://my.oschina.net/yangjiannr/blog/1528534

第一:词频统计;(一般使用 Trie 统计词频,然后用堆排序取前 n 个,词频统计常见的方法还有各种 Map 如 HashMap、TreeMap,以及MapReduce)
第二: 前缀匹配;
第三:去重

适用范围:数据量大,重复多,但是数据种类小可以放入内存
  基本原理及要点:实现方式,节点孩子的表示方式
  扩展:压缩实现。

面试题有:

有10个文件,每个文件1G,每个文件的每一行都存放的是用户的query,每个文件的query都可能重复。要你按照query的频度排序。

1000万字符串,其中有些是相同的(重复),需要把重复的全部去掉,保留没有重复的字符串。请问怎么设计和实现?

寻找热门查询:查询串的重复度比较高,虽然总数是1千万,但如果除去重复后,不超过3百万个,每个不超过255字节。

一个文本文件,大约有一万行,每行一个词,要求统计出其中最频繁出现的前10个词,请给出思想,给出时间复杂度分析。

用trie树统计每个词出现的次数,时间复杂度是O(n*le)(le表示单词的平准长度),然后是找出出现最频繁的前10个词,可以用堆来实现。

有一个1G大小的一个文件,里面每一行是一个词,词的大小不超过16字节,内存限制大小是1M。返回频数最高的100个词。

每个结点增加个count变量,查询、插入时维护count变量进行词频统计,用一个最小堆进行维护最高频的100个词的频率

寻找热门查询:
搜索引擎会通过日志文件把用户每次检索使用的所有检索串都记录下来,每个查询串的长度为1-255字节。假设目前有一千万个记录,这些查询串的重复读比较高,虽然总数是1千万,但是如果去除重复和,不超过3百万个。一个查询串的重复度越高,说明查询它的用户越多,也就越热门。请你统计最热门的10个查询串,要求使用的内存不能超过1G。
(1) 请描述你解决这个问题的思路;
(2) 请给出主要的处理流程,算法,以及算法的复杂度。

Trie 树的介绍以及多种实现方式:https://segmentfault.com/a/1190000008877595

Trie 树基于 HashMap 实现

Trie 树最大的好处就是查询字符串的时间复杂度稳定,即字符串的本身长度 m = string.length; 不随单词个数 n 的变化而变化
缺点就是空间换时间。 至于用哪种方式实现,可以参考上面提到的文章。

package trie;

import java.util.HashMap;
import java.util.Stack;

public class Trie {

	// 节点类
    private class Node {
        public Boolean isWord;
        public HashMap<Character, Node> next;
        public Node(Boolean isWord) {
            this.isWord = isWord;
            next = new HashMap<>();
        }
        public Node() {
            this(false);
        }
    }

    private Node root;
    private int size;

    public Trie() {
        root = new Node();
        size = 0;
    }

    // 获取Trie中储存的单词个数
    public int size() {
        return size;
    }

    // 向Trie中插入一个单词
    public void add(String word) {
        Node cur = root;
        for (int i = 0; i < word.length(); i++) {
            char c = word.charAt(i);
            if (cur.next.get(c) == null) {
                cur.next.put(c, new Node());
            }
            cur = cur.next.get(c);
        }
        if (!cur.isWord) {
            cur.isWord = true;
            size ++;
        }
    }

	// 从 trie 中删除某个单词
    public void delete(String word) {
        if (!contains(word)) return;
        Stack<Node> stack = new Stack<>();
        Node cur = root;
        for (int i = 0; i < word.length(); i++) {
            char c = word.charAt(i);
            cur = cur.next.get(c);
            stack.push(cur);
        }
        cur.isWord = false;
        int index = word.length() - 1;
        while (!stack.empty() && !stack.peek().isWord && stack.peek().next.isEmpty()) {
            stack.pop();
            stack.peek().next.remove(word.charAt(index--));
        }
        size --;
    }

    // 查询
    public boolean contains(String word) {
        Node cur = root;
        for (int i = 0; i < word.length(); i++) {
            char c = word.charAt(i);
            if (cur.next.get(c) == null) {
                return false;
            }
            cur = cur.next.get(c);
        }
        return cur.isWord;
    }

    // 判断是否有单词是以某个单词为前缀
    public boolean isPrefix(String prefix) {
        Node cur = root;
        for (int i = 0; i < prefix.length(); i++) {
            char c = prefix.charAt(i);
            if (cur.next.get(c) == null) {
                return false;
            }
            cur = cur.next.get(c);
        }
        return true;
    }

    // 模式匹配 通配符 ‘.’
    public boolean match(String pattern) {
        return match(root, pattern, 0);
    }

    private boolean match(Node node, String pattern, int index) {
        if (index == pattern.length()) {
            return node.isWord;
        }
        char c = pattern.charAt(index);
        if (c != '.') {
            if (node.next.get(c) == null) return false;
            return match(node.next.get(c), pattern, index + 1);
        }
        for (char nextChar : node.next.keySet()) {
            if (match(node.next.get(nextChar), pattern, index + 1)) return true;
        }
        return false;
    }

    public static void main(String[] args) {
        Trie trie = new Trie();
        trie.add("ab");
        trie.add("ab");
        trie.add("ab666");
        trie.add("ab777");
        trie.add("ab77777");
        System.out.println(trie.size());
        trie.delete("ab77777");
        System.out.println(trie.size());
        System.out.println(trie.contains("ab777"));
        System.out.println(trie.contains("ab77777"));
        trie.add("ab77777");
        System.out.println(trie.size());
        trie.delete("ab777");
        System.out.println(trie.size());
        System.out.println(trie.contains("ab777"));
        System.out.println(trie.contains("ab77777"));
        System.out.println(trie.contains("ab"));
        System.out.println(trie.contains("ab666"));
    }
}

用于词频统计的字典树
package trie;

import java.util.HashMap;

public class wordCountTrie {
    private class Node {
        public int count;
        public HashMap<Character, Node> next;
        public Node() {
            this.count = 0;
            next = new HashMap<>();
        }
    }

    private Node root;
    private int size;

    public wordCountTrie() {
        root = new Node();
        size = 0;
    }

    // 获取Trie中储存的单词个数
    public int size() {
        return size;
    }

    // 向Trie中插入一个单词
    public void add(String word) {
        Node cur = root;
        for (int i = 0; i < word.length(); i++) {
            char c = word.charAt(i);
            if (cur.next.get(c) == null) {
                cur.next.put(c, new Node());
            }
            cur = cur.next.get(c);
        }
        if (cur.count == 0) {
            size ++;
        }
        cur.count ++;
    }

    // 向Trie中插入一个单词
    public int count(String word) {
        Node cur = root;
        for (int i = 0; i < word.length(); i++) {
            char c = word.charAt(i);
            if (cur.next.get(c) == null) {
                return 0;
            }
            cur = cur.next.get(c);
        }
        return cur.count;
    }
}

JAVA实现trie树(前缀树,字典树)进行敏感词检测/过滤 JAVA实现trie树(前缀树,字典树)进行敏感词检测/过滤 文章目录JAVA实现trie树(前缀树,字典树)进行敏感词检测/过滤定义优点:缺点:应用敏感词检测开始构建敏感词Trie树时间复杂度敏感词去重敏感词检测去特殊字符方法结束标识符JAVA实现完整代码初始化词库 定义 在计算机科学中,trie树,又称前缀树或字典树,是一种有序树,用于保存关联数组,其中的键通常是字符串。与二叉查找树不同,键不是直接保存在节点中,而是由节点在树中的位置决定。一个节点的所有子孙都有相同的前缀,也就是这个节点对应的字符串,而 阅读详情

相关推荐

字典树-大量字符串前缀及出现次数是否存在统计(Trie树-java)算法实现

前言        字典树又称单词查找树,它是一种树形结构,是一种哈希树的变种,典型应用是用于统计,保存大量的字符串(但不仅限于字符串),统计以是否有以某字符串最为前缀的字符串,有的话有多少,某字符串出现了多少次等,所以经常被搜索引擎系统用于文本词频统计。        它与字典很相似,当你要查一个单词是不是在字典树中,首先看单词的第一个字母是不是在字典的第一层,如果不在,说明字典树里没有该单

Java我人生的技术博客 1万+

利用Trie树,来查找单词出现的次数

Trie节点 class TrieNode { TrieNode nodes[]; boolean isSentence; //称为一个句子的话仍然可能会有子节点 int count; //表示当前节点实际上代表了多少个相同的单词 public TrieNode() { nodes = new TrieNode[26]; //26个英文字母

eversliver的专栏 1777

字典树详解(Trie树,前缀树)

用伪代码手把手构建字典树

2437

海量数据处理---Trie树(字典树)

方法介绍 1.1、什么是Trie树 Trie树,即字典树,又称单词查找树或键树,是一种树形结构。典型应用是用于统计和排序大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是最大限度地减少无谓的字符串比较,查询效率比较高。 Trie的核心思想是空间换时间,利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。 它有3个基本性质:

qisefengzheng的专栏 总有一天你将破蛹而出 773

从硬件异常到代码救赎:RH850内存访问错误(MAE)的深层诊断与艺术

本文深入探讨瑞萨RH850微控制器的内存访问错误(MAE)诊断与解决方法。针对程序跑飞和Flash Driver交互中的潜在陷阱,提供系统性硬件异常分析框架和防御性编程实践,帮助嵌入式开发者从底层机制到代码层面有效预防和修复MAE问题,提升系统稳定性。

pytorch8learner的博客 197

《最游记》游戏开发全栈指南:从源码解析到实战部署

本文提供了一份详尽的《最游记》游戏源码全栈开发指南。文章深入解析了这款3D玄幻网游的完整源码结构,涵盖客户端、服务端、引擎和工具链,并提供了从环境搭建、核心模块解析到实战修改与部署的完整流程。对于希望深入理解MMORPG架构的开发者而言,这份指南是宝贵的实战资源。

weixin_28363123的博客 75

Trie树(字典树)

作者:July、yansha。 出处:http://blog.youkuaiyun.com/v_JULY_v 。  转自: http://blog.youkuaiyun.com/v_july_v/article/details/6897097  引言     常关注本blog的读者朋友想必看过此篇文章:从B树、B+树、B*树谈到R 树,这次,咱们来讲另外两种树:Tire树与后缀树。不过,在此之前,先来看两

768

【凌智视觉模块】rv1106 部署 pp-humseg 模型

人像分割技术实现摘要 人像分割是利用计算机视觉技术将图像/视频中的人物与背景分离的像素级处理技术。凌智视觉模块基于RV1106芯片开发,支持高效视觉模型部署。当前主流方法包括PP-HumanSeg、BiSeNet等深度学习模型,其中PP-HumanSegV2以96.63% mIoU精度和63FPS手机端速度成为SOTA方案。 实现流程包含: 初始化RKNN模型后端 图像预处理(尺寸调整、颜色空间转换) 执行模型推理 后处理(概率解码、动态阈值分割、形态学优化) 代码实现要点: 使用RKNPU2Backend

m0_50786932的博客 987

要求统计出其中最频繁出现的前10个词

一个文本文件,大约有一万行,每行一个词,要求统计出其中最频繁出现的前10个词,请给出思想,给出时间复杂度分析。 这题是考虑时间效率。用trie树统计每个词出现的次数,时间复杂度是O(nle)(le表示单词的平准长度)。然后是找出出现最频繁的前10个词,可以用堆来实现,前面的题中已经讲到了,时间复杂度是O(nlg10)。所以总的时间复杂度,是O(nle)与O(nlg10)中较大的哪一个。 ...

littleAusna的博客 1921

台积电技术研发实力

台积电技术研发实力 台积电在半导体行业的地位毋庸置疑。他们究竟有多强大,大部分读者了解得可能非常片面。从最新公布的2019年财报里,看看台积电的真正实力。 一、台积电在市场上的地位 根据公司财报,台积公司在先进制程技术、特殊制程技术,以及先进封装技术的发展上持续领先全球集成电路制造服务领域,2019年的市场占有率为52%。台积公司总体营收以地区划分(主要依据客户营运总部所在地),来自北美市场的营收占台积公司总体营收的60%、日本与中国大陆以外的亚太市场占9%、中国大陆市场占20%、欧洲、中东及非洲市场占6

吴建明wujianming_110117 1902

YOLO26涨点改进 | 独家创新,细节涨点改进篇 | CVPR 2025顶会 | YOLO26引入Mona即插即用模块, 含MoCAA和DyTMona二次创新改进,含多种创新改进高效发论文

本文给大家介绍Mona即插即用模块, 含MoCAA和DyTMona二次创新模块优化YOLO26模型。YOLO26引入 Mona通过引入多尺度视觉友好型卷积滤波器(如3x3、5x5、7x7深度卷积)和可伸缩归一化层来优化适配器设计,以更好地处理视觉信号并调节输入特征分布。YOLO26引入Mona即插即用模块, 含MoCAA和DyTMona二次创新改进,含多种创新改进高效发论文。适合目标检测、图像分割、图像分类等所有CV任务通用即插即用模块。

Ai缝合怪、助力小伙伴高效发论文 244

Trie树(字典树/前缀树)Java实现

序 Trie是专门用来实现字典功能的数据结构,专门为处理字符串而实现的。与Map不同的地方在于映射的不一定是字符串。 如果字典中有n个条目,使用树结构的话,查询的时间复杂度是O(logn),随n的增大而增大。 但Trie查询每个条目的时间复杂度和字典中一共有多少条目无关! 时间复杂度为O(w),w为查询单词的长度。如果字典中有100万个词条,logn大约为20,而大多数单词的长度不足10。相比较之...

NinoSun的博客 686

QuecOpen RTOS学习笔记

对计算机响应时间有要求的系统,通常称为临界系统或应用。为了满足临界系统或应用对计算机响应 时间的要求,人们开发了实时操作系统(Real Time Operation System)。 实时操作系统指所有任务均在规定时间内完成的操作系统,同时任务完成必须满足时序可预测性。需 要注意的是,实时操作系统的本质是其反应具有时序可预测性。得益于此,实时操作系统通常反应非常快。 实时操作系统的内核对象一般包括任务、信号量、互斥锁、消息队列、定时器、事件通知和软件看门 狗等。

zxm8513优快云博客 2031

前缀树 java_前缀树(字典树/Trie)Java实现和应用

摘要: 前缀树,字典树,插入查询逻辑,Java实现,时间复杂度分析前缀树介绍Trie树又被称为前缀树、字典树,把单词字母一条一条灌进一棵树中,每个节点是a-z之间的字母,对于都是数字的字符串,字符集就是0-9, 每一个节点包含三个元素,分别是节点对应的字符name,存储的子节点信息Map(name -> 节点对象), 是否是 词尾标志end。前缀树.pngTrie的核心思想是空间换时间。利用...

weixin_28677451的博客 572

claude-hub:GitHub上的AI开发助手,让Claude自动帮你写代码、审代码、合代码

代码不再是人写的,而是人引导 AI 写的。在这个时代,GitHub 不再只是一个代码托管平台,而是 AI 开发代理的工作台。每一个 issue、每一条 PR,都可能是一次与 AI 合作的机会。未来属于那些敢于把开发流程交给 AI 来优化的人——他们不是在取代自己,而是在放大自己的影响力。📌关注本系列文章,我们将持续输出关于 AI 编程、GitHub 自动化、AI Agent 产品化的深度分析。

这里汇聚了前沿的技术分享与实用的开发技巧,带你探索从创意到企业的技术创业之路。 1374

置顶必读(1) | 《YOLOv26实战:从入门到深度优化》专栏导读与完整目录导航(持续更新中)

🏆 本文收录于 《YOLOv26实战:从入门到深度优化》 专栏。 本专栏系统梳理并持续复现 YOLOv26 官方特性、核心改进、多任务支持、部署优化与行业落地,内容坚持 持续更新 + 深度拆解 + 工程落地导向,不仅讲“怎么用”,更讲“为什么这样设计、如何真正落地到项目中”。

**My Coding Family** 9万+

前缀树(字典树/Trie) -----Java实现

字典树(Trie树)是一种,常用于。字典树的核心思想是。它是一棵,每个代表一个,从。字典树的,每个,从根节点到任意一个节点所经过的路径上的字符连接起来即为该节点所代表的字符串。每个节点可以存储一个或多个字符串,通常使用一个。当需要在一组字符串中查找某个字符串时,可以利用字典树来实现高效的查找操作。

qq_64580912的博客 1911

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

【数据结构】Trie树(字典树/前缀树) Jave实现

【数据结构】Trie树(字典树/前缀树) Jave实现

zhuiqi的专栏 184

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

13.Trie树的基本实现与特性

13.Trie树的基本实现与特性 理解字典树之前我们先提出三个问题,后面我们再来回答: 字典树的数据结构 字典树的核心思想 字典树的基本性质 本文是之前的《字典树实现》的一个升级,如果觉得本篇稍繁杂可以去看之前的一篇。 在这里我们也先回忆一下树,树本身定义比较简单,如下图: 如果你看到上图这样的一个层级,你应该马上会想到按层次来打印一颗二叉树,这个题目是非常高频的题目: 102. 二叉树的层序遍历。 那么这里你不记得这个题目或者对写这个代码的话还有一点模糊,你可以去再练习一遍。 同时深度优先搜索和

org_hjh的博客 487

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Trie(前缀树/字典树):原理和LeetCode208.实现Trie(前缀树)

摘要:介绍了前缀树的基本知识,并举例介绍其应用场景和实现方式。

不想coding的博客 2655

字典树or前缀树(Trie树)的Python模板及例题

今天刷到了字典树的知识,看了一篇文章感觉总结的挺好,链接放在下方,只不过文中的代码用的java,因为平时自己刷题用的都是python,所以打算将文章中的代码同步为python语言,方便和我一样用python的小伙伴学习参考~

liangshuangeryue的博客 1999

Trie 字典树 前缀树

Trie 字典树 前缀树

底层码农 6676

Trie树(字典树)

1. Trie树 Trie树,即字典树,又称单词查找树或键树,是一种树形结构,是一种哈希树的变种。典型应用是用于统计和排序大量的字符串(但不仅限于字符串),所以经常被搜索引擎系统用于文本词频统计。它的优点是:最大限度地减少无谓的字符串比较,查询效率比哈希表高。 Trie的核心思想是空间换时间。利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。 它有3个基本性质:

jiutianhe的专栏 2万+

trie(字典树、前缀树)

trie(字典树、前缀树) 1. trie原理 原理 trie树,又被称为字典树、前缀树,是一种高效地存储和查找字符串集合的数据结构。 一般来说,用到trie的题目中的字母要么全是小写字母,要么全是大写字母,要么全是数字,要么就是0和1。也就是说字母的个数不是很多。 如下是一个trie树的例子: 真实存储中,图中的每个字符都是被存储在边上的,节点是不存储字符信息的。 查询某个字符串S是否在这个字符串集合中是否存在的话,可以从根开始遍历,当遍历到空节点或者S已经遍历结束但是trie树中对应节点不是

weixin_42638946的博客 3664

Trie(字典树/前缀树)

字典树/前缀树

weixin_45746505的博客 3548

Java实现字典树 Trie

字典树又称为前缀树,是n叉树的特殊形式,广泛应用于统计和排序大量的字符串,它可以很大程度减少无所谓的字符比较,查询效率较高,Trie的核心思想是空间换时间,利用字符串的公共前缀提高查询效率

m0_62701287的博客 2061
上一篇: 头条后端一面凉经
下一篇: HTTP (超文本传输协议)和 HTTPS(超文本传输安全协议)的区别
Yonghua Li
博客等级 码龄10年 38粉丝 61原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值