后缀树（Suffix Tree）

最新推荐文章于 2019-08-13 17:42:36 发布

hermito

最新推荐文章于 2019-08-13 17:42:36 发布

阅读量862

点赞数 1

分类专栏： ACM

ACM 专栏收录该内容

29 篇文章 0 订阅

订阅专栏

from：http://www.acmerblog.com/suffix-tree-6152.html

后缀字典树

想象一下，你刚成为一个DNA序列化项目中的程序员。研究人员正在对病毒的遗传物质进行切片和切块，以产生核苷酸序列的片段。他们把这些遗传物质序列片段送人你的服务器进行匹配，希望能够在基因组数据库中定位到这些序列。一个特定的病毒的基因组可能有数十万的核苷酸，并且在你的数据库中存储了成千上万的病毒的信息。希望你能够实现一个C/S结构的项目，来实时的为研究人员提供服务。怎么做才比较好呢？

因为数据库是不变的，所以对它进行预处理以使得搜索变得简单。一种预处理的方式是建立一个字典树(Trie树) ，该字典树中存放的是给定字符串的所有后缀，用这种方式生成的字典树，称为后缀字典树（suffix trie），后缀字典树只差一步就是我最终要引入的数据结构——后缀树。字典树是一种N叉树，其中N是字母表的大小。

对于字符串：“banana\0″ 的所有后缀为：

 
banana\0
 
anana\0
 
nana\0
 
ana\0
 
na\0
 
a\0
 
\0

其标准的后缀字典树结构是这样的：

很显然，有了这样的一个树，我只需要4次字符比较就可以确定pattern：“nana”是否出现。当然仅仅有一个小问题会拖后腿儿，那就是创建字典树所耗费的时间。

但是，构造后缀字典树需要O(N²)时间和空间复杂度。这种平方级的性能使它不能在最需要用到它的地方使用，即不能在大数据量场合使用。

后缀树

Edward McCreight 在1976年提出了一个合理的解决方法摆脱了后缀字典树在应用上的困境，他发表的论文中提出了后缀树（suffix tree）。

一个给定的文本text的后缀树就是一个压缩的后缀字典树。压缩至的是路径压缩，去除了只有一个子边的节点。例如对上上图中最左边的 banana\0 ,即为一个没有分叉的单边，可以进行压缩：

上面这个图是靠是手动生成的，实际上这里还是有一些比较复杂的算法，后续再做讨论。节点数量的减少，使构造后缀树的时间和空间复杂度从O(N²)减少到了O(N)。在最坏的情况下，一个后缀树最多包含2N个节点，其中N是输入文本的长度。所以对输入文本的一次性投资，可以使我们的每次搜索都受益。

应用

(1). 查找字符串o是否在字符串S中。
方案：用S构造后缀树，按在trie中搜索字串的方法搜索o即可。
原理：若o在S中，则o必然是S的某个后缀的前缀。
例如S: leconte，查找o: con是否在S中,则o(con)必然是S(leconte)的后缀之一conte的前缀.有了这个前提，采用trie搜索的方法就不难理解了。
(2). 指定字符串T在字符串S中的重复次数。
方案：用S+’$’构造后缀树，搜索T节点下的叶节点数目即为重复次数
原理：如果T在S中重复了两次，则S应有两个后缀以T为前缀，重复次数就自然统计出来了。
(3). 字符串S中的最长重复子串
方案：原理同2，具体做法就是找到最深的非叶节点。
这个深是指从root所经历过的字符个数，最深非叶节点所经历的字符串起来就是最长重复子串。
为什么要非叶节点呢?因为既然是要重复，当然叶节点个数要>=2。
(4). 两个字符串S1，S2的最长公共部分
方案：将S1#S2$作为字符串压入后缀树，找到最深的非叶节点，且该节点的叶节点既有#也有$(无#)。

from：https://www.douban.com/note/210945706/?type=like

后缀树和后缀数组都是处理字符串的有效工具，前者较为常见，但后者更容易编程实现，空间耗用更少；后缀数组可用于解决最长公共子串问题，多模式匹配问题，最长回文串问题，全文搜索等问题；

后缀数组见《挑战程序设计竞赛》。