我有一个问题：我需要根据文件路径前缀节省空间的文件系统数据查找。换句话说，前缀搜索已排序的文本。你说，使用trie，我也想到了同样的事情。麻烦的是，尝试不够节省空间，没有其他技巧。
我有相当数量的数据：
我不想在内存中接近450M的任何地方吃东西。在这一点上，我很乐意在大约100M左右使用，因为前缀形式有很多冗余。
我正在使用C＃来完成这项工作，并且直接实现trie仍然需要为文件中的每一行提供一个叶子节点。假定每个叶子节点都需要对最后一个文本块进行某种引用（32位，比如一个字符串数据索引的索引，以最小化字符串重复），并且CLR对象开销是8个字节（使用windbg / SOS验证） ，我将花费> 96,000,000字节的结构开销，根本没有文本存储。
让我们看一下数据的一些统计属性。当塞进一个特里：
叶片产生的过剩率约为15％，多余的内部节点产生率为22％ - 过量创建，我的意思是在构造期间创建的叶子和内部节点，但不是在最终的trie中，作为每种类型的最终节点数的一部分。
这是来自SOS的堆分析，指示使用最多内存的位置：
[MT ]--[Count]----[ Size]-[Class ]
03563150 11 1584 System.Collections.Hashtable+bucket[]
03561630 24 4636 System.Char[]
03563470 8 6000 System.Byte[]
00193558 425 74788 Free
00984ac8 14457 462624 MiniList`1+<GetEnumerator>d__0[[StringTrie+Node]]
03562b9c 6 11573372 System.Int32[]
*009835a0 1456066 23297056 StringTrie+InteriorNode
035576dc 1 46292000 Dictionary`2+Entry[[String],[Int32]][]
*035341d0 1456085 69730164 System.Object[]
*03560a00 1747257 80435032 System.String
*00983a54 8052746 96632952 StringTrie+LeafNode
Dictionary<string,int>用于将字符串块映射到List<string>索引，并且可以在构造之后丢弃，尽管GC似乎没有删除它（在此转储之前完成了几个显式集合） - SOS中的!gcroot没有没有任何根，但我预计后来的GC会释放它。
MiniList<T>是List<T>的替代品，使用精确尺寸（即线性生长，O(n^2)添加性能）T[]来避免空间浪费;它是一种值类型，由InteriorNode用于跟踪儿童。这个T[]被添加到System.Object[]堆。
因此，如果我把“有趣”的项目（用*标记），我得到大约270M，这比磁盘上的原始文本更好，但仍然不够接近我的目标。我认为.NET对象开销过多，并创建了一个新的“苗条”trie，只使用值类型数组来存储数据：
class SlimTrie
{
byte[] _stringData; // UTF8-encoded, 7-bit-encoded-length prefixed string data
// indexed by _interiorChildIndex[n].._interiorChildIndex[n]+_interiorChildCount[n]
// Indexes interior_node_index if negative (bitwise complement),
// leaf_node_group if positive.
int[] _interiorChildren;
// The interior_node_index group - all arrays use same index.
byte[] _interiorChildCount;
int[] _interiorChildIndex; // indexes _interiorChildren
int[] _interiorChunk; // indexes _stringData
// The leaf_node_index group.
int[] _leafNodes; // indexes _stringData
// ...
}
这种结构使数据量减少到139M，并且仍然是只读操作的有效可遍历的trie。而且因为它非常简单，我可以将其保存到磁盘并恢复它以避免每次重新创建trie的成本。
那么，对于前缀搜索比trie更有效的结构的任何建议？我应该考虑的替代方法？
由于只有110万个块，您可以使用24位而不是32位来索引块，并在那里节省空间。
你也可以压缩块。也许Huffman coding是一个不错的选择。我还会尝试以下策略：您应该编码字符转换，而不是使用字符作为符号进行编码。因此，不要查看角色出现的概率，而是查看Markov chain中状态为当前角色的过渡概率。
你可以找到一个与你的问题相关的科学论文here（作者的引用：“实验表明，我们的索引支持空间占用内的快速查询，通过gzip，bzip或ppmdi压缩字典字典，可以实现快速查询。” - 但不幸的是，报纸只是付款）。我不确定这些想法有多难实现。本文的作者有一个website，你可以在其中找到各种压缩索引算法的实现（在“索引集合”下）。
如果你想继续你的方法，请务必查看有关Crit-bit trees和Radix tree的网站。
离题的想法：而不是一个哈希表。你在内存中只有哈希和字符串数据，也许是压缩的。
或者你能读一页吗？只有内存中的散列和文件位置，使用与该散列匹配的行检索“页面”，可能是有序行数较少，因此在发生冲突时可以非常快速地进行搜索。