在分词器中涉及到一种数据结构,trie树。
trie树的作用
又称单词查找树,Trie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,排序和保存大量的字符串(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:利用字符串的公共前缀来减少查询时间,最大限度地减少无谓的字符串比较,查询效率比哈希树高。
trie树有几种实现方式,其中最简单的是数组结构。树中每个节点用一个固定大小的数组来表示,如果节点具有子节点,就在数组的相应位置插入子节点的指针。如下图
数组方式查询的速度很快,O(1)的时间复杂度,插入的速度也快,但是空间占用很大。如果是汉语这种“字母”较多的话,会有巨大的空间浪费。
如果用哈希表的方式来实现,就能规避掉这种空间浪费。
树的每个节点都用一个哈希表来表示,如果存在子节点,就会在相应的键对应的值上存储子节点的指针。
哈希表的方式,查询的速度接近O(1),插入也一样,但是空间浪费较小。
附上我写的哈希表方式实现trie树的go代码。
package Collections
import (
"fmt"
)
//树节点 用Hash表存储<Character, Node>
type TrieNode struct {
Num int //经过这个节点的单词数量
Sons map[rune]*TrieNode //所有子节点
IsEnd bool //是否是某个单词的终点
Character rune //存储的值
}
func newTrieNode() *TrieNode {
node := &TrieNode{}
node.Num = 1
node.Sons = make(map[rune]*TrieNode)
node.IsEnd = false
return node
}
//map实现的trie树,查询速度快,占用空间有浪费
type MapTrie struct {
Root *TrieNode
}
func NewMapTrie() *MapTrie {
newtrie := &MapTrie{}
newtrie.Root = newTrieNode()
return newtrie
}
//加载词典
func (this *MapTrie) LoadDict(dictpath string) {
}
//插入一个单词
func (this *MapTrie) Insert(word string) {
if len(word) == 0 {
return
}
//if this.Has(word.py) {
// return
//}
tmpNode := this.Root
letters := []rune(word)
for _, letter := range letters {
//如果没有这个字母
if _, ok := tmpNode.Sons[letter]; !ok {
tmpNode.Sons[letter] = newTrieNode()
tmpNode.Sons[letter].Character = letter
} else {
tmpNode.Sons[letter].Num++
}
tmpNode = tmpNode.Sons[letter]
}
tmpNode.IsEnd = true
}
//计算包含某个前缀的单词数量
func (this *MapTrie) CountPrefix(prefix string) int {
if len(prefix) == 0 {
return -1
}
tmpNode := this.Root
letters := []rune(prefix)
for _, letter := range letters {
//如果没有这个字母
if _, ok := tmpNode.Sons[letter]; !ok {
return 0
} else {
tmpNode = tmpNode.Sons[letter]
}
}
return tmpNode.Num
}
//前序遍历节点
func PreTraverse(node *TrieNode) {
if node != nil {
fmt.Println(string(node.Character))
for _, son := range node.Sons {
PreTraverse(son)
}
}
}
func (this *MapTrie) PreTraverseByPrefix(prefix string) {
node := this.FindPrefix(prefix)
if node == nil {
return
}
PreTraverse(node)
}
//是否包含某个单词
func (this *MapTrie) Has(word string) bool {
if len(word) == 0 {
return false
}
tmpNode := this.Root
letters := []rune(word)
for _, letter := range letters {
//如果没有这个字母
if _, ok := tmpNode.Sons[letter]; !ok {
return false
} else {
tmpNode = tmpNode.Sons[letter]
}
}
if tmpNode.IsEnd == true {
return true
}
return false
}
//找到某个前缀的最终节点
func (this *MapTrie) FindPrefix(prefix string) *TrieNode {
if len(prefix) == 0 {
return nil
}
tmpNode := this.Root
letters := []rune(prefix)
for _, letter := range letters {
//如果没有这个字母
if _, ok := tmpNode.Sons[letter]; !ok {
return nil
} else {
tmpNode = tmpNode.Sons[letter]
}
}
return tmpNode
}
//分词
func (this *MapTrie) Segment(setence string) []string {
chars := []rune(setence)
results := make([]string, 0)
//tmpChar := ""
tmpHead := 0 //扫描全部字符过程中位于单词头部的指针位置
tmpNode := this.Root //在词典里顺延的节点指针
length := len(chars)
for index := 0; index < length; index++ {
//如果有这个字符,就继续顺下去(要求扫描指针未到尾部)
// 防止尾部的单词是个完整词,同时也是一个另一个词的前缀
if _, ok := tmpNode.Sons[chars[index]]; ok {
tmpNode = tmpNode.Sons[chars[index]]
if index != length-1 {
continue
} else {
// 这个地方后移是为了接下来截取单词能正确,因
// 为如果发现了匹配的单词,用到列表切片
// 用了slice[start:end]。如果不是因为是最后一个,
// index所在的位置都是单词之后
index++
}
}
//匹配到了单词(词典里面没有的字,或者是词典里面的词匹配完成了)
//第一个字词典里面就没有
if tmpHead == index {
word := string(chars[tmpHead])
results = append(results, word)
//将头指针移到下一个字符
tmpHead = index + 1
// 将指针节点移到树根
tmpNode = this.Root
} else if tmpNode.IsEnd { //词典里面的词结束了
word := string(chars[tmpHead:index])
results = append(results, word)
//将头指针移到现在的位置
tmpHead = index
index-- // index往回退一个,因为这一次的字符和之前的不连,不退就错过了一个字符
// 将节点指针移到树根
tmpNode = this.Root
} else {
//匹配到词典某个词的非词前缀(此前缀本身不是词)。
//这一段只是词典里某个词的前缀 割出第一个字,扫描指针重新到刚刚的字后面
word := string(chars[tmpHead])
results = append(results, word)
tmpHead++ //单词头指针移动一格
index = tmpHead - 1 //扫描指针回到前面 这个地方减一是因为这次循环结束会加1
tmpNode = this.Root
}
}
return results
}