简介
我们将元组(string,int)存储在二进制文件中。字符串代表一个单词（没有空格或数字）。为了找到一个单词，我们应用二进制搜索算法，因为我们知道所有元组都是根据单词排序的。
为了存储它，我们使用writeUTF作为字符串，writeInt作为整数。除此之外，我们假设现在没有办法区分元组的开头和结尾，除非事先知道它们。
问题
当我们应用二进制搜索时，我们在文件中得到一个位置（即（a + b）/ 2），我们可以使用Random Access File中的方法读取该位置，即我们可以读取该位置的字节。但是，由于我们可能处于这个词的中间，我们无法知道这些词的开头或结尾。
解决方案
以下是我们提出的两种可能的解决方案，但是，我们正在尝试确定哪一种更节省空间/更快。
方法1：我们考虑将其存储为字符串（使用例如。writeChars或{{3因为在这种情况下，我们可以在元组的末尾插入一个空字符。也就是说，我们可以确定用于序列化数据的方法都不会使用空字符，因为我们存储的信息（数字和数字）具有更高的ASCII值表示。
方法2：我们保持相同的结构，但我们将每个元组与6-8（或更少）字节的随机噪声分开（整个文件中相同）。在这种情况下，我们假设单词具有较低的熵，因此它们不太可能有任何随机性的迹象。即使integer可能得到与随机噪声中的4个字节完全相同的4个字节，随后的两个字节也不会（很有可能）。
您会推荐以下哪种方法？有没有更好的方法来存储这种信息。注意，我们不能序列化整个文件，然后将其反序列化到内存中，因为它非常大（我们不允许）。
答案 0 :(得分：2)
我认为你正试图优化速度和速度。空间（按此顺序）。
我使用不同的布局，由2个文件构建：
Good，Hello，Morning将显示为GoodHelloMorning。要迭代数据集，可以直接访问整数/索引文件（recordNum * 8是记录的字节偏移量），读取整数和字符偏移量，再加上下一条记录的字符偏移量（这是recordNum * 8 + 12处的4字节整数，然后从您从索引文件中读取的偏移量之间的字符文件中读取字符串。完成！
答案 1 :(得分：0)
它不到200MB。一个单词最多20个字符。
为什么要这么麻烦？除非你在一些受到严格限制的系统上工作，否则将所有内容加载到Map<String, Integer>并加速几个数量级。
但是，让我们说，我忽略了一些东西，让我们继续。
方法1：我们不是将整数存储为数字，而是将其存储为字符串（使用例如writeChars或writeUTF），因为在这种情况下，我们可以插入一个空字符
你不必像你说的那样说你的话没有数字。因此，您始终可以唯一地解析0124some456word789之类的内容。
效率取决于分布。您可以赢得4倍（单位数字）或丢失2.5倍（10位数字）。你可以通过使用更高的基数来节省一些东西。但是有字符串的存储空间，它可能占主导地位。
方法2：我们保持相同的结构，但我们将每个元组与6-8（或更少）字节的随机噪声分开（整个文件中相同）。
这太浪费了。在数据字节之间使用四个零可以：
方法3：使用一些黑客，您可以确保该数字不包含零字节（假设它不使用整个范围或用五个字节表示它）。然后就会有一个零字节。
方法4：由于磁盘是按块组织的，因此您应该将数据拆分为4个KiB块。然后，您可以添加一些时间标题，以便您快速访问数据（开始索引第8,16等数据）。应该顺序扫描例如第8和第16块之间的范围，因为它比二进制搜索更简单，更快。