字典搜索算法，急需，请尽快！

[我不懂电脑]

有一英文字典文件，单词按字母排序以纯文本方式储存，请问有什么好的方法，搜索到指定词条。请注意字典非常庞大——600万单词、每个单词一行，不能使用数据库。请提出详细算法，并比较若干算法优劣。急需，请尽快。

[starfish]

TO:clavy(有巢无车氏)
如果使用哈希表的话，检索时间确实是O(1)，但是那是对于内存中的线性编址的数据而言（即数据必须是线性的连续存储的，这样知道地址就可以在O(1)的时间内存取数据）。但是对于硬盘上的文件，如果让操作系统来管理的话，不可能是连续存储的，一般是分散在硬盘上不同的簇里面，即使你知道某个记录的相对位置，比如知道要找的记录是第100个记录，也无法在O(1)的时间内找到第100个记录，因为文件中的记录在硬盘上不是连续存储的，而是类似链表一样存储，所以要找第100个记录，必须从头找起！所以，你所说的将文件映射成虚存的方法虽然方便但是效率很低，哈希技术也起不了作用。现在一般大型的数据库都是用B+树将数据组织在硬盘上，跳过操作系统自己来管理硬盘的存取而不是使用文件系统！只有Access等小型数据库（其实Access根本算不上数据库）才是简单地利用文件系统来管理数据。对于他的这个问题，自己管理硬盘存取不现实也没有必要，但是通过用B+树组织数据可以使得读盘的次数降到最低！所以我认为B+树和多路归并技术比较好。

[starfish]

对了，顺便说一下，对于复杂的大型数据库（比如原来的旧版本的IBM的DB2），也有一些是自己固定了一部分硬盘扇区专门作为数据库的存储区，或者将整个硬盘作为数据库的存储区，这时候就可以利用哈希技术了，将数据的内容和它在硬盘上的扇区地址建立映射关系，以便在O(1)的时间内从硬盘上读出数据，但是这种方法现在很少用，因为插入和删除数据以及整理数据库都很不方便。

[clavy]

运行最快使用hash表查找。
编程最快, 使用2分查找。

能够共享一下这个词库.嘻嘻.

[clavy]

能否共享一下这个词库? 如果是个拼写检查/破解用的字典就算了.

[我不懂电脑]

请说说hash的详细算法好吗？请注意600万单词不能一次读到内存。

[AutoAsm]

咱们就在宏观上讨论一下：
HASH表显然是最快的，但要找HASH函数是个问题，可以多级HASH，建议你到图书馆看看有没有将HASH函数的理论著作，我以前看到过一篇讨论散列的博士论文。
另外，如果只查找而不做任何改动的话，用TREE也是一个好方法。很快

[sirarker]

我觉得先建立一个近似平衡的二叉树作为数据结构，这样根据二叉树的搜索算法效率可能会高一些

[big_tian]

600万 就是 6M
每个单词10words 是60M,现在计算机流行 128M
你的程序有60M？

[clavy]

to starfish(海星)　
如果有频繁的插入/删除, 用B+数比较好, 可是编程比较麻烦。
如果数据不是线性存储的, 那么建个索引好了。
即使使用B+树来组织数据, 访问硬盘的数据的时候, 也还是通过操作系统来寻址的。也就是每次访问的复杂度为 B+树的访问复杂度*硬盘数据访问复杂度. :) 而使用hash的访问复杂度为 hash访问复杂度*硬盘访问复杂度.
一般的数据库系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树.
你所说的'绕过操作系统管理文件的数据库', 它们使用的并不是普通的文件, 一般是使用裸设备, 也就是把一个硬盘/分区 当成一个文件。我试验过的, 使用裸设备的情况下, Oracle比使用文件系统的文件存储数据 在IO上快约一倍。 这与oracle 公司公布的数据相同。 这些数据库系统不可能绕过操作系统访问普通文件, 因为在UNIX上, 文件系统千变万化, 这些文件系统可以共同存在于同一实例中, 而且多数UNIX系统厂商都有多种文件系统, Oracle是不可能在其中集成这许多的文件系统的。
把文件映射为内存的方法现在在unix中被普遍使用. 如果你经常使用strace / truss之类的命令的话, 就会发现, 多数的UNIX操作系统命令几乎不用read/write调用, 而用 mmap/munmap . 其效率只所以比read/write高, 是因为它的buffer只有1次复制。
其实, 现在Oracle有一种索引技术称为 bitmap index, 它实际上就是在一个数组里建立起与每行对应的标记。

[clavy]

上文中
"一般的数据库系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树."
~~~~~~~
应为
"一般的文件系统, 例如UNIX的UFS文件系统, 它的硬盘管理实际上就是B树."
~~~~

[我不懂电脑]

我是这样回答的，经理没说什么，要我参加项目，请大家帮我分析一下看看有什么问题。
字典搜索软件概要设计
1．引言
1.1 项目名称：
项目名称：字典搜索。
1.2 项目背景和内容概要：
1. 负 责 人：宋红涛
2. 内容概要：英文字典文件，单词按字母排序以纯文本方式储存。字典非常庞大——600
万单词、每个单词一行，不能使用数据库。
1.3 项目目的：
从大英文字典文件中快速搜索到指定单词
2.概要设计
2.1基本设计概念和处理流程
1.数据分块法。
1. 内存中建立若干固定大小数组，数组元素为指向单词字符串的指针。
2. 从文件拷贝单词到数组。
3. 采用分块查找法——块内无需有序，因为单词按字母排序，所以块内单词有序。块
内按二分法查找。
4. 块间有序，待查字符串与最后块最后一条记录比较，在块中，再匹配各块查找。否则，内存中无待查单词，从文件读入后续数据到内存。
5. 重复2-4直到单词查到或查找失败。
优点：算法简单，有一定效率。
缺点：可能造成内存碎片。但可通过定期内存重组解决。有一定磁盘访问次数，可能降低效率，但可通过调整分块数和分块大小优化。
2. 分级索引法
1. 为英文字典建立索引文件
2. 索引文件格式：
单词（定长字符串） 单词偏移量（长整数）
3. 读索引到内存一个表中
4. 查找索引，找到单词在文件中存在范围。
5. 直接在文件中查找单词是否存在。
6. 可采用多级索引，把索引存到内存，提高效率，尽量减少访问磁盘次数。
优点：效率高，速度快。
缺点：需要进行索引维护，索引的建立方式对性能影响较大，需要着重考虑。
3. 局部缓存法
1． 建立一小文件缓存经常访问的单词
2． 利用高速缓存匹配算法查找单词。
优点：20%的单词访问概率为80%极大的提高访问速度
缺点：高速缓存算法有多种，需要适当选择，建议采用自组织线性表法（1.移至顶端、2.交换、3.频率计数（不推荐）），实践证明简单、有效。
补充：最好和其他算法综合使用，以便一旦高速缓存未命中，也能较快的查找或证明查找失败。
4．查找树法
1. 建立B/B+树。
2. 叶为单词在文件中的偏移量，分子节点存储关键字。
优点：适合大量数据的快速查找，尤其是数据库。
缺点：算法较复杂，关键字的选择特别重要。
5．散列表法
优点：精确匹配效率高
缺点：不改变字典文件结构，我不知道实现。拟单词定长，因为是根据单词找地址，因此查找效率高，但插入删除涉及到大量磁盘i/o效率会极低，只能在后台进行。最后散列函数的选择是一个重点。
3.说明
时间仓促，来不及仔细考虑，也未涉及到具体实现。只是一个不完善的思路。

[clavy]

说说你的平台.

[gofor]

to starfish:
　　不同意你的说法：“比如知道要找的记录是第100个记录，也无法在O(1)的时间内找到第100个记录，因为文件中的记录在硬盘上不是连续存储的，而是类似链表一样存储，所以要找第100个记录，必须从头找起！”
　　如果已知“要读的记录”在文件中的偏移，文件系统可以根据文件分配表FAT快速找到“要读的记录”的物理扇区号，并完成读操作，无须从头找起。要说从头找起，只是在FAT分配表中从头找起，这无须多少时间，因为FAT相对硬盘容量来说很小，而且多数情况下FAT已缓存到内存。本问题的关键是减少对外存的访问次数，在内存中对FAT进行的查找不管次数多少，不应计入算法复杂度。

[dotnba]

:)

[我不懂电脑]

windows

[林仪明]

关注！！
大家多多讨论才是！我听着呢！！

[YYboy]

字典搜索算法，急需，请尽快！
RE: Money,急需，请尽快！

[hz1101]

@_
@

[YYboy]

单词按字母排序以纯文本方式储存。字典非常庞大——600
万单词、每个单词一行，
RE: you are crazy!

[minkerui]

想做解密软件吗？用SQL吧