python - 如何找到一个很长的字符串的所有唯一子串？

Question

我有一个很长的字符串。我想找到这个字符串的所有唯一子字符串。我尝试编写使用 set(python) 存储所有子字符串以确保唯一性的代码。对于许多中型和大型字符串，我得到了正确的结果，但是在非常大的字符串的情况下，我得到了 MemoryError。我在 google 上搜索了一下，发现 python 中的 set 数据结构占用了大量 RAM，也许这就是我收到 MemoryError 的原因。

这是我的代码:

a = set()
for i in range(n):
    string = raw_input()
    j = 1
    while True:
        for i in xrange(len(string)-j+1):   
            a.add(string[i:i+j])
        if j==len(string):   break
        j+=1
print sorted(list(a))

对于大字符串有没有办法避免这个错误？或者有人可以建议对我的代码进行更好的修改来处理这个问题吗？

P.S:我没有在 32 位和 64 位版本之间切换的选项。

Answer 1

如果内存中确实需要，那么可以尝试做一个后缀树。尝试不是奇特的数据结构，因此可能有适用于主流语言(如 Python)的良好实现，并且它们可用于实现后缀树。 Marisa-Trie应该获得良好的内存使用率。

1. 创建一个空的 trie。
2. 对于[0,len(s)]中的每一个n，将长度为n的后缀添加到Trie中。
3. 从树的根开始的每条路径都是字符串中的一个子串，没有这样的路径不是字符串中的子串，并且路径是唯一的。