Question

我正在努力解决古老的字谜问题。感谢那里的许多教程，我能够遍历一组字符串，递归地找到所有排列，然后将它们与英语单词列表进行比较。我发现的问题是，在大约三个单词（通常是“变态”之类的东西）之后，我得到一个OutOfMemory错误。我尝试将我的批次分成小集，因为它似乎是消耗我所有记忆的递归部分。但即使只是“变态”也会将其锁定......

在这里，我将文件中的单词读入List

Scanner scanner = new Scanner(resource.getInputStream());
   while (scanner.hasNext()) {
       String s = scanner.nextLine();
        uniqueWords.add(s.toLowerCase());
   }

现在我将它们分成更小的集合并调用类来生成字谜：

List<List<String>> subSets = Lists.partition(new ArrayList(uniqueWords), SET_SIZE);

for (List<String> set: subSets) {
      // tried created as class attribute & injection, no difference 
      AnagramGenerator anagramGenerator = new AnagramGenerator();
      List<Word> anagrams = anagramGenerator.createWordList(set);
      wordsRepository.save(anagrams);
      LOGGER.info("Inserted {} records into the database", anagrams.size());
 }

最后我的发电机：

public class AnagramGenerator {

private Map<String, List<String>> map = new Hashtable<>();
public List<Word> createWordList(List<String> dictionary) {

   buildAnagrams(dictionary);

   List<Word> words = new ArrayList<>();
   for (Map.Entry<String, List<String>> entry : map.entrySet()) {
       words.add(new Word(entry.getKey(), entry.getValue()));
   }
    return words;
   }

private Map<String, List<String>> buildAnagrams(List<String> dictionary) {

        for (String str : dictionary) {
            String key = sortString(str);
            if (map.get(key) != null) {
                map.get(key).add(str.toLowerCase());
            } else {
                if (str.length() < 2) {
                    map.put(key, new ArrayList<>());
                } else {
                    Set<String> permutations = permutations(str);
                    Set<String> anagramList = new HashSet<>();

                    for (String temp : permutations) {
                        if (dictionary.contains(temp) && !temp.equalsIgnoreCase(str)) {
                            anagramList.add(temp);
                        }
                    }
                    map.put(key, new ArrayList<>(anagramList));
                }
            }
        }
        return map;
    }

   private Set<String> permutations(String str) {    
        if (str.isEmpty()) {
            return Collections.singleton(str);
        } else {
            Set<String> set = new HashSet<>();
            for (int i = 0; i < str.length(); i++)
                for (String s : permutations(str.substring(0, i) + str.substring(i + 1)))
                    set.add(str.charAt(i) + s);
            return set;
        }
    }

修改：基于出色的反馈，我将生成器从排列更改为工作查找：

public class AnagramGenerator {
private Map<String, Set<String>> groupedByAnagram = new HashMap<String, Set<String>>();

    private Set<String> dictionary;

    public AnagramGenerator(Set<String> dictionary) {

        this.dictionary = dictionary;
    }

 public List<Word> searchAlphabetically() {

        List<Word> words = new ArrayList<>();
        for (String word : dictionary) {
            String key = sortString(word);
            if (!groupedByAnagram.containsKey(key)) {
                groupedByAnagram.put(key, new HashSet<>());
            }
            if (!word.equalsIgnoreCase(key)) {
                groupedByAnagram.get(key).add(word);
            }
        }

        for (Map.Entry<String, Set<String>> entry : groupedByAnagram.entrySet()) {
            words.add(new Word(entry.getKey(), new ArrayList(entry.getValue())));
        }

        return words;
    }
 private String sortString(String goodString) {

        char[] letters = goodString.toLowerCase().toCharArray();
        Arrays.sort(letters);
        return new String(letters);
    }

它有一些调整，所以我不添加一个单词，因为它是自己的字谜，但否则这似乎是快速的。而且，代码更清晰。谢谢大家！

Answer 1

正如长篇词所述，排列的数量很快就会变得很大。

Debian上的

/usr/share/dict/british-english有99,156行。有更长的单词列表，但让我们以此为例。

九个字母单词的排列数为9！ = 362,880

因此，对于9个字母或更多的单词，尝试字典中每个单词的计算工作量要少于尝试输入单词的每个排列。

10! milliseconds = ~1 hour
12! milliseconds = ~5.54 days
15! milliseconds = ~41.44 years

而且你很幸运能够每毫秒处理一次排列，所以你很快就会看到很多与你合作完全不切实际的排列。对堆栈和堆的影响以相同的速率增加。

所以，试试算法（伪代码）：

 sorted_input = sort_alphabetically(input_word)
 for each dictionary_word // probably a file readline()
     sorted_dictionary_word = sort_alphabetically(dictionary_word)
     if(sorted_dictionary_word = sorted_input)
         it's an anagram! Handle it
     end 
 end

同样，您可以相当快速地将所有字典单词算法写入查找数据结构。再次伪代码;在Java中，您可以使用Apache Commons或Guava中的Map<String, List<String>>或MultiMap：

  multimap = new MultiMap<String, String> // or whatever

  def build_dict:
      for each dictionary_word // probably a file readline()
          multimap.add(
               sort_alphabetically(dictionary_word), 
               dictionary_word)
      end
  end

  def lookup_anagrams(word):
      return multimap.get(sort_alphabetically(word))
  end

这占用了适量的内存（整个字典，加上一些键和映射开销），但这意味着一旦创建了结构，你就可以非常便宜地反复查询。

如果你想找到双字卦，你需要一个更复杂和有趣的算法。但即便如此，避免暴力破坏整个搜索空间的排列对你的成功至关重要。

Answer 2

快速计算：＆＃34;变态＆＃34;有12个字母，给12个！ = 479,001,600个排列。每个字符串至少占用12个字节（假设，例如，UTF-8仅包含ASCII字符），这意味着总大小为12 * 479,001,600字节，大约为6 GB。

现在，据我所知，默认堆大小设置为1GB或（如果更小）四分之一的可用内存。这小于所需的6GB。

有两种方法：

在执行程序时增加堆大小，但是对于更长的单词它不起作用，因为排列成倍增长：只有一个字母，＆＃34;完成＆＃34;已经需要78GB。
通过排列流式传输，而不是将它们实现为一组字符串。具体来说，这意味着仍然使用递归，但不是存储每个递归生成的排列，而是立即处理，然后在移动到下一个时被遗忘。

现在，如果需要对整个字典进行操作，如果你有权访问集群，另一种方法可能是用自己计算字典的笛卡尔积，将它存储在像HDFS这样的分布式文件系统上（应该在十亿个条目的数量级，然后使用MapReduce并行遍历所有对并输出彼此的字谜对。它付出了更多的努力，但复杂性从单词长度的指数下降到字典大小的二次方。

Answer 3

这是一个将slim的方法与我的方法相结合的答案，“伪Java代码”：

Map<String, Set<String>> groupedByAnagram = new HashMap<String, Set<String>>();

for(String word: dictionary)
{
  String footprint = sort_alphabetically(word);
  if(!groupedByAnagram.contains(footprint))
  {
    groupedByAnagram.put(footprint, new HashSet<String>>());
  }
  groupedByAnagram.get(footprint).insert(word); 
}

for(Set<String> anagram: groupedByAnagram.values())
{
  if(anagram.size() > 1)
  {
    System.out.println("Anagram found.");
    for (String word: anagram)
    {
      System.out.println(word);
    }
  } 
}

它首先通过“anagram fingerprint”（slim的想法）构建所有单词的索引，然后通过它，仅输出包含多个单词的条目。

Java Anagram耗尽内存

3 个答案: