后缀数组创建算法的分析和比较.pdfVIP

第33卷 第 3期 计 算 机 工 程 2007年2月 Vo1．33 No3 ComputerEngineering February2007 · 人工智能及识别技术 · 文章编号：l000—_3428(2007)03—l86__03 文献标识码：A 中图分类号：TP301．6 后缀数组创建算法的分析和比较 杨笑天，陶晓鹏 (复旦大学软件学院，上海200433) 摘 要：后缀数组构建算法的时间和空间开销是它在实际应用中的瓶颈。该文介绍了两种较好的构建算法，对它们的性能作了评估和分析， 指出了各 自的适用范围，给出并比较了两种算法在不同情况下的实验结果。 关健词：全文检索；后缀数组；后缀树；线性时间 ComparisonandAnalysisofConstructionAlgorithm forSuffixArray YANG Xiaotian，TAO Xiaopeng (SoftwareSchool，FudanUniversity,Shanghai200433) [Abstract]Thetimeandspaceconsumingintheconstructionofthesuffixarrayisalwaysthebottleneckinpracticaluses．Thispaperintroduces twopreferableconstructionalgorithm s，analysesandevaluatesthem from performanceaspectandpointsouttheirapplicablescope，givesand compaesexperimentresultsoftwoalgorithm sindifferentcondition． [KeywordslFulltextindex；Suffixarray；Suffixtree；Lineartime 后缀数组是一种较新的建立全文索引的方法。它由某个 (2)利用第 1步的结果，将起点位置 x％3=0的半无限串 文本的所有半无限串(起点在文本任意位置，终点在文本尾的 S排序。比较任意x，y％3=0，若 xCy可得比较结果；若 x=y 字符串)字典排序而得，具有较高的检索效率并且更适合如范 则在上步结果中查找x+l、y+l％3：1，可得比较结果(表 1行 围查找、模糊查找等较复杂的查找方式。当前，在基因组分 7右半部分)； 析、文本压缩、字符检索等应用领域，后缀数组都表现出了 (3)将第 1、2步的结果进行合并以得最终结果。 极大的潜力。 对于待合并的数组 s0和Sl2，设分别取第 i和第 j位进 但在实际应用中，创建后缀数组的时间和空间开销较大， 行比较，分两种情况，设 j％3=1，则 i+l％3=1、j+l％3=2， 这一问题成了它在各个领域进一步推广的瓶颈。针对该问题， 都在 Sl2内，可以直接得到结果；设 j％3=2，则 i+2％3=2、 本文介绍了两种较好的创建算法，对它们的优缺点加以分析 ， j+2％3=1，在Sl2内，同样可以直接得到结果(见表 1行8)。 并在这个基础上实现了这些算法，给出了试验结果，指出了 表 1结果 各 自的适用范围和进一步研究的方向。 编号 O l 2 3 4 5 6 7 8 9 lO 本文中，约定以小写字符表示单个字符，大写字符表示 S S S l P P 字符串，以 “·”表示两个字符