字符串 .contains VS Set<String> .contains VS 正则表达式 String.matches()

Question

我在两个文件中有两组不是很长（200~500 字）的字符串，如下所示：

File1          File2

this           window
that           good
word           work
java           fine
book           home

所有唯一的词。

现在首先从文件中读取字符串（逐行）并将它们存储在：

1. Set<String> set1 Set<String> set2：可能看起来像这样：[this, that, word, java, book] 和 [window, good, work, fine, home]

或者

1. String str1 String str2：可能看起来像这样：str1: thisthatwordjava 和 str2: windowgoodworkfinehome OR 可以是str1: this,that,word,java（用逗号分隔）。

现在有三种方法可以检查出现Set 或String 的单词home：

1. 使用set1/2.contains("home")
2. 使用str1/2.contains("home")
3. 使用str1/2.matches("home")

以上所有方法都可以正常工作，但哪一个是最好的一个

注意：这个问题的目的是因为检查字符串的频率非常高。

Answer 1

不要做性能假设

是什么让您认为 String.contains 会有“更好的性能”？

不会，除非是非常简单的情况，即如果：

• 您的字符串列表很短，
• 要比较的字符串很短，
• 您想要进行一次性查找。

对于所有其他情况，Set 方法将更好地扩展和工作。当然，与单个字符串相比，Set 会产生内存开销，但即使您想要存储数百万个字符串并比较长字符串，O(1) 查找也将保持不变。

适合工作的正确数据结构和算法

使用更安全、更健壮的设计，尤其是在这里实施起来并不困难。而且正如你提到的你会经常检查，那么一套方法肯定更适合你。

此外，String.contain 将是不安全的，就好像您的两者都有匹配的字符串和子字符串一样，您的查找将失败。正如 kennytm 在评论中所说，如果我们使用您的示例，并且您的列表中有“java”字符串，则查找“ava”将匹配它，这显然是您不想要的。

选择合适的套装

您可能不想使用简单的 HashSet 或调整其设置。例如，您可以考虑使用 Guava ImmutableSet，如果您的 set 只会创建一次但会经常检查。

示例

这就是我要做的，假设您想要一个不可变的集合（正如您所说的，您从文件中读取字符串列表）。这是临时的，没有验证，所以请原谅缺乏仪式。

使用 Java 8 + Guava

import com.google.common.collect.ImmutableSet;
import com.google.common.io.Files;
import com.google.common.base.Splitter;

final Set<String> lookupTable = ImmutableSet.copyOf(
  Splitter.on(',')
    .trimResults()
    .omitEmptyStrings()
    .split(Files.asCharSource(new File("YOUR_FILE_PATH"), Charsets.UTF_8).read())
);

使用正确的路径、正确的字符集以及是否要允许空格和空字符串进行修剪的季节。

仅使用 Java 8

如果您不想使用 Guava 而只使用 vanilla Java，那么只需在 Java 8 中执行类似的操作（再次道歉，未经测试）：

final Set<String> lookupTable =
    Files.lines(Paths.get("YOUR_FILE_PATH"))
      .map(line -> line.split(",+"))
      .map(Arrays::stream)
      .collect(toSet());

使用 Java

如果你的 Java

Answer 2

我猜你还是将文件的行读入了一个字符串，所以如果你只计划一个查询，那么拆分它并将子字符串存储在一个集合中并不是最优的。

Answer 3

如果给定没有逗号的单词，Set 应该占用更多内存空间但执行时间更少（可以通过简单的拆分来完成）

但我真正认为最好的方法是实验证明 System.currentTimeMillis()

Answer 4

如果您想了解有关性能差异的信息。简单地测量一下。这是给你的测试设置。

final int WORDS = 10000;
final int SEARCHES = 1000000;

Set<String> strSet = new TreeSet<String>();
String strStr = "";
int[] searches = new int[SEARCHES];
Random randomGenerator = new Random();

// filling set and string
for(int i = 0; i < WORDS; i++){
    strSet.add(String.valueOf(i));
    strStr += "," + String.valueOf(i);
}

// creating searches
for(int i = 0; i < SEARCHES; i++)
    searches[i] = randomGenerator.nextInt(WORDS);

// measure set
long startTime = System.currentTimeMillis();
for(int i = 0; i < SEARCHES; i++)
    strSet.contains(String.valueOf(searches[i]));
System.out.println("set result " + (System.currentTimeMillis() - startTime));

// measure string
startTime = System.currentTimeMillis();
for(int i = 0; i < SEARCHES; i++)
    strStr.contains(String.valueOf(searches[i]));
System.out.println("string result " + (System.currentTimeMillis() - startTime));

对我来说，输出是一个有意义的证据，证明你应该留在Set

设置结果 350
字符串结果 14197