class Trie: def __init__(self): """ Initialize your data structure here. 初始化树结构,以字典形式存放进lookup内。lookup字典才是真正的树结构存放处。 """ self.lookup = {} def insert(self, ip_li: list) -> None: """ Inserts a word into the trie. 像树结构内插入一个Node。 此处的ip_li可以为字符串,列表,元组等任意可迭代对象,此处定义为list是测试ip树时做的修改 """ tree = self.lookup for a in ip_li: if a not in tree: tree[a] = {} tree = tree[a] # 结束标志 tree["#"] = "#" def search(self, word: str) -> bool: """ Returns if the word is in the trie. 查询某个对象是否在树内。此处的word与insert内的ip_li是同一个东西。 """ tree = self.lookup for a in word: if a not in tree: return False tree = tree[a] if "#" in tree: return True return False def startsWith(self, prefix: str) -> bool: """ Returns if there is any word in the trie that starts with the given prefix. 查询书内是都有某前缀开头的对象。prefix为上述两个方法ip_li和word的包含起始位的连续的一部分。 """ tree = self.lookup for a in prefix: if a not in tree: return False tree = tree[a] return True
前缀树,也叫字典树。从以上代码也可看出整棵树的结构是以kv存储,且除了末级点位外,其余点位的value值均为字典。书内的三个方法的关键均为一个循环。以IP存储为例,将ip分割为4个有序的数字列表传入insert方法。循环中会按照ip列表的顺序去树的每一层查找该树的对应位置是都有该数字。若没有则在这个位置新增一个树的分叉,若有则在该位置的下一级内寻找ip列表的下一位是否存在,知道循环结束。
这种结构可以很好的节省存储空间,查询时更可以避免无规则的便利。当有海量的数据时,可以做到小内存查询大数据的效率提升。
PS: 代码是从leetcode上偷来的,自己写的没人家的条理好看,也不是用的单纯的字典实现,结构中使用里列表和字典。