我有一个问题:我需要基于文件路径前缀的文件系统数据的空间高效查找。换句话说,排序文本的前缀搜索。你说用特里树,我也这么想。问题是,尝试的空间效率不够高,并非没有其他技巧。
我有相当多的数据:
- 磁盘上大约 450M 的纯文本 Unix 格式列表
- 大约 800 万行
- gzip 默认压缩到 31M
- bzip2默认压缩到21M
我不想占用接近 450M 的内存。在这一点上,我很乐意使用大约 100M 的空间,因为有很多前缀形式的冗余。
我正在使用 C# 来完成这项工作,并且一个简单的 trie 实现仍然需要文件中的每一行都有一个叶节点。鉴于每个叶节点都需要某种对最终文本 block 的引用(32 位,比如字符串数据数组的索引以最小化字符串重复),并且 CLR 对象开销为 8 字节(使用 windbg/SOS 验证) ,我将在结构开销上花费 >96,000,000 字节,而根本没有文本存储。
让我们看一下数据的一些统计属性。当塞进 trie 中时:
- 总共约 110 万个独特的文本“ block ”
- 一个文本文件中磁盘上大约 16M 的唯一 block 总数
- 平均 block 长度为 5.5 个字符,最多 136 个
- 不考虑重复项时, block 中总共约有 5200 万个字符
- 内部 trie 节点平均约有 6.5 个 child ,最多 44 个
- 约 180 万个内部节点。
叶创建的超额率约为 15%,内部节点创建的超额为 22% - 超额创建是指在 trie 构建过程中创建但不在最终 trie 中创建的叶和内部节点占最终节点数的比例每种类型。
这是来自 SOS 的堆分析,表明哪里使用了最多的内存:
[MT ]--[Count]----[ Size]-[Class ]
03563150 11 1584 System.Collections.Hashtable+bucket[]
03561630 24 4636 System.Char[]
03563470 8 6000 System.Byte[]
00193558 425 74788 Free
00984ac8 14457 462624 MiniList`1+<GetEnumerator>d__0[[StringTrie+Node]]
03562b9c 6 11573372 System.Int32[]
*009835a0 1456066 23297056 StringTrie+InteriorNode
035576dc 1 46292000 Dictionary`2+Entry[[String],[Int32]][]
*035341d0 1456085 69730164 System.Object[]
*03560a00 1747257 80435032 System.String
*00983a54 8052746 96632952 StringTrie+LeafNode
Dictionary<string,int>
用于将字符串 block 映射到 List<string>
中的索引,并且可以在 trie 构建之后丢弃,尽管 GC 似乎没有删除它(在这个转储之前完成了几个显式收集)- !gcroot
在 SOS 中不表示任何根,但我预计稍后的 GC 会释放它。
MiniList<T>
是 List<T>
的替代品,使用精确大小(即线性增长,O(n^2)
添加性能)的 T[]
来避免空间浪费;它是一种值类型,InteriorNode
使用它来跟踪 child 。此 T[]
被添加到 System.Object[]
堆中。
所以,如果我将“有趣”的项目(用 *
标记)加起来,我得到大约 270M,这比磁盘上的原始文本要好,但仍然离我的目标还不够近。我认为 .NET 对象的开销太大,因此创建了一个新的“超薄”特里树,仅使用值类型数组来存储数据:
class SlimTrie
{
byte[] _stringData; // UTF8-encoded, 7-bit-encoded-length prefixed string data
// indexed by _interiorChildIndex[n].._interiorChildIndex[n]+_interiorChildCount[n]
// Indexes interior_node_index if negative (bitwise complement),
// leaf_node_group if positive.
int[] _interiorChildren;
// The interior_node_index group - all arrays use same index.
byte[] _interiorChildCount;
int[] _interiorChildIndex; // indexes _interiorChildren
int[] _interiorChunk; // indexes _stringData
// The leaf_node_index group.
int[] _leafNodes; // indexes _stringData
// ...
}
这种结构将数据量降低到139M,仍然是只读操作的高效遍历trie。而且因为它非常简单,我可以轻松地将它保存到磁盘并恢复它以避免每次重新创建 trie 的成本。
那么,对于比 trie 更有效的前缀搜索结构有什么建议吗?我应该考虑其他方法吗?
最佳答案
由于只有 110 万个 block ,您可以使用 24 位而不是 32 位对 block 进行索引并节省空间。
您还可以压缩 block 。也许Huffman coding是个不错的选择。我还会尝试以下策略:您应该对字符转换进行编码,而不是使用字符作为符号进行编码。因此,与其查看字符出现的概率,不如查看 Markov chain 中转换的概率。其中状态是当前字符。
关于c# - 支持前缀搜索的排序文本的节省空间的内存结构,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1354893/