原题：https://leetcode-cn.com/problems/implement-trie-prefix-tree
https://leetcode-cn.com/problems/implement-trie-prefix-tree/solution/shi-xian-trie-qian-zhui-shu-by-leetcode/
实现一个 Trie (前缀树)，包含 insert, search, 和 startsWith 这三个操作。
示例:
Trie trie = new Trie();
trie.insert("apple");
trie.search("apple"); // 返回 true
trie.search("app"); // 返回 false
trie.startsWith("app"); // 返回 true
trie.insert("app");
trie.search("app"); // 返回 true说明:
- 你可以假设所有的输入都是由小写字母 a-z 构成的。
- 保证所有输入均为非空字符串。
Trie (发音为 "try") 或前缀树是一种树数据结构，用于检索字符串数据集中的键。这一高效的数据结构有多种应用：
1、自动补全
谷歌的搜索建议
2、拼写检查
文字处理软件中的拼写检查
3、IP路由（最长前缀匹配）
使用Tire树的最长前缀匹配算法，Internet协议（IP）路由中利用转发表选择路由
4、T9（九宫格）打字预测
T9（九宫格输入），在20世纪90年代常用于手机输入
5、单词游戏
Tire树可通过剪枝搜索空间来搞笑解决Boggle单词游戏
还有其他的数据结构，如平衡树和哈希表，使我们能够在字符串数据集中搜索单词。为什么我们还需要 Trie 树呢？尽管哈希表可以在 O(1)O(1)O(1) 时间内寻找键值，却无法高效的完成以下操作：
- 找到具有同一前缀的全部键值。
- 按词典序枚举字符串的数据集。
Trie 树优于哈希表的另一个理由是，随着哈希表大小增加，会出现大量的冲突，时间复杂度可能增加到 O(n)O(n)O(n)，其中 nnn 是插入的键的数量。与哈希表相比，Trie 树在存储多个具有相同前缀的键时可以使用较少的空间。此时 Trie 树只需要 O(m)O(m)O(m) 的时间复杂度，其中 mmm 为键长。而在平衡树中查找键值需要 O(mlogn)O(m \log n)O(mlogn) 时间复杂度。
Trie 树的结点结构
Trie 树是一个有根的树，其结点具有以下字段：
- 最多 R 个指向子结点的链接，其中每个链接对应字母表数据集中的一个字母。本文中假定 RRR 为 26，小写拉丁字母的数量。
- 布尔字段，以指定节点是对应键的结尾还是只是键前缀。
单词“leet”在Tire树中的表示
class TrieNode {
// R links to node children
private TrieNode[] links;
private final int R = 26;
private boolean isEnd;
public TrieNode() {
links = new TrieNode[R];
}
public boolean containsKey(char ch) {
return links[ch -'a'] != null;
}
public TrieNode get(char ch) {
return links[ch -'a'];
}
public void put(char ch, TrieNode node) {
links[ch -'a'] = node;
}
public void setEnd() {
isEnd = true;
}
public boolean isEnd() {
return isEnd;
}
}Trie 树中最常见的两个操作是键的插入和查找。
向 Trie 树中插入键
我们通过搜索 Trie 树来插入一个键。我们从根开始搜索它对应于第一个键字符的链接。有两种情况：
- 链接存在。沿着链接移动到树的下一个子层。算法继续搜索下一个键字符。
- 链接不存在。创建一个新的节点，并将它与父节点的链接相连，该链接与当前的键字符相匹配。
重复以上步骤，直到到达键的最后一个字符，然后将当前节点标记为结束节点，算法完成。
向Tire树中插入键
class Trie {
private TrieNode root;
public Trie() {
root = new TrieNode();
}
// Inserts a word into the trie.
public void insert(String word) {
TrieNode node = root;
for (int i = 0; i < word.length(); i++) {
char currentChar = word.charAt(i);
if (!node.containsKey(currentChar)) {
node.put(currentChar, new TrieNode());
}
node = node.get(currentChar);
}
node.setEnd();
}
}复杂度分析
- 时间复杂度：O(m)，其中 mmm 为键长。在算法的每次迭代中，我们要么检查要么创建一个节点，直到到达键尾。只需要 m 次操作。
- 空间复杂度：O(m)。最坏的情况下，新插入的键和 Trie 树中已有的键没有公共前缀。此时需要添加 m个结点，使用 O(m)空间。
在 Trie 树中查找键
每个键在 trie 中表示为从根到内部节点或叶的路径。我们用第一个键字符从根开始，检查当前节点中与键字符对应的链接。有两种情况：
- 存在链接。我们移动到该链接后面路径中的下一个节点，并继续搜索下一个键字符。
- 不存在链接。若已无键字符，且当前结点标记为 isEnd，则返回 true。否则有两种可能，均返回 false :
- 还有键字符剩余，但无法跟随 Trie 树的键路径，找不到键。
- 没有键字符剩余，但当前结点没有标记为 isEnd。也就是说，待查找键只是Trie树中另一个键的前缀。
class Trie {
...
// search a prefix or whole key in trie and
// returns the node where search ends
private TrieNode searchPrefix(String word) {
TrieNode node = root;
for (int i = 0; i < word.length(); i++) {
char curLetter = word.charAt(i);
if (node.containsKey(curLetter)) {
node = node.get(curLetter);
} else {
return null;
}
}
return node;
}
// Returns if the word is in the trie.
public boolean search(String word) {
TrieNode node = searchPrefix(word);
return node != null && node.isEnd();
}
}复杂度分析
- 时间复杂度 : O(m)。算法的每一步均搜索下一个键字符。最坏的情况下需要 m 次操作。
- 空间复杂度 : O(1)。
查找 Trie 树中的键前缀
该方法与在 Trie 树中搜索键时使用的方法非常相似。我们从根遍历 Trie 树，直到键前缀中没有字符，或者无法用当前的键字符继续 Trie 中的路径。与上面提到的“搜索键”算法唯一的区别是，到达键前缀的末尾时，总是返回 true。我们不需要考虑当前 Trie 节点是否用 “isend” 标记，因为我们搜索的是键的前缀，而不是整个键。
查找Trie树中的键前缀
class Trie {
...
// Returns if there is any word in the trie
// that starts with the given prefix.
public boolean startsWith(String prefix) {
TrieNode node = searchPrefix(prefix);
return node != null;
}
}复杂度分析
- 时间复杂度 : O(m)。
- 空间复杂度 : O(1)。
完整代码：
class TrieNode{
//子节点的链接数组
private TrieNode[] links;
private final int R = 26;
private boolean isEnd;
//非空子节点的数量
private int size;
public TrieNode(){
links = new TrieNode[R];
}
public TrieNode get(char ch){
return links[ch-'a'];
}
public void put(char ch,TrieNode node){
links[ch - 'a'] = node;
size++;
}
public boolean containsKey(char ch){
return links[ch - 'a'] != null;
}
public void setEnd(){
isEnd = true;
}
public boolean isEnd(){
return isEnd;
}
public int getLinks(){
return size;
}
}
class Trie {
private TrieNode root;
public Trie(){
root = new TrieNode();
}
/** Inserts a word into the trie. */
public void insert(String word){
TrieNode node = root;
for(int i = 0;i<word.length();i++){
char currentChar = word.charAt(i);
if(!node.containsKey(currentChar)){
node.put(currentChar,new TrieNode());
}
node = node.get(currentChar);
}
node.setEnd();
}
// search a prefix or whole key in trie and returns the node where search ends
public TrieNode searchPrefix(String word) {
TrieNode node = root;
for(int i = 0;i<word.length();i++){
char currentChar = word.charAt(i);
if(node.containsKey(currentChar)){
node = node.get(currentChar);
}else{
return null;
}
}
return node;
}
/** Returns if the word is in the trie. */
public boolean search(String word) {
TrieNode node = searchPrefix(word);
return node != null && node.isEnd();
}
/** Returns if there is any word in the trie that starts with the given prefix. */
public boolean startsWith(String word) {
TrieNode node = searchPrefix(word);
return node != null;
}
public String searchLongestPrefix(String word){
TrieNode node = root;
StringBuilder prefix = new StringBuilder();
for(int i = 0;i < word.length();i++){
char currentChar = word.charAt(i);
if(node.contains(currentChar) && (node.getLinks() == 1) && (!node.isEnd())){
prefix.append(currentChar);
node = node.get(currentChar);
}else{
return prefix.toString();
}
}
return prefix.toString();
}
}
扫一扫
701
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
