原理
介绍
高效地存储和查询字符串的数据结构。所以其重点在于：存储、查询两个操作。
存储操作
示例和图片来自：https://blog.csdn.net/qq_42024195/article/details/88364485
假设有这么几个字符串：b，abc，abd，bcd，abcd，efg，hii。最终存储出来的Trie图如下图所示：
具体是怎么存的呢？对于每一个字符串，从树的根节点开始，依次判断当前节点的儿子节点中是否有当前字符：
- 如果有，则进行下一个字符的判断，同时根节点更新为该儿子节点
- 如果没有，创建一个儿子节点为当前字符，然后根节点更新为该儿子节点
如果已经到了最后一个字符，就在对应的儿子节点进行一个标记，表示从根节点到该节点的字符组成的字符串是一个单词。（对应图中的红色部分）
查询
查询和存储的操作类似。对于一个给定的字符串，从树的根节点开始，依次判断当前节点的儿子节点中是否有当前字符：
- 如果有，则进行下一个字符的判断，同时根节点更新为该儿子节点
- 如果没有，则说明不存在该字符串，直接返回不存在
复杂度
时间复杂度：O(max_len(s))=O(h)，h为Trie树的高度，即最长字符串的长度。
空间复杂度：不超过O(N * max_len(s))。
代码实现
java
class Trie {
private Trie[] children; // 当前节点的所有儿子
private boolean isEnd; // 当前节点是否为一个单词的结尾
public Trie() {
children = new Trie[26]; // 假设字符串中都是小写字母，那么一个节点的所有儿子最多只有26个
isEnd = false;
}
/**
存储操作：插入一个字符串
*/
public void insert(String word) {
Trie node = this; // 从根节点开始
for(char c : word.toCharArray()) {
int u = c - 'a'; // [a, z] -> [0, 25]
if (node.children[u] == null) { // 当前节点node不存在儿子节点
node.children[u] = new Trie(); // 创建一个节点为当前字符
}
node = node.children[u]; // 更新根节点为儿子节点
}
node.isEnd = true;
}
/**
查询操作：查询某个字符串是否在树中。如果在树中，可以是树中单词的前缀，也可以是完整的单词
*/
private Trie searchPrefix(String prefix) {
Trie node = this; // 从根节点开始
for(char c : prefix.toCharArray()) {
int u = c - 'a'; // [a, z] -> [0, 25]
if (node.children[u] == null) { // 当前节点node不存在儿子节点
return null;
}
node = node.children[u]; // 走到儿子节点
}
return node;
}
public boolean search(String word) {
// 查询树中是否存在完整的单词
Trie node = searchPrefix(word);
return node != null && node.isEnd;
}
public boolean startsWith(String prefix) {
// 查询树中是否存在某个前缀
return searchPrefix(prefix) != null;
}
}
/**
* Your Trie object will be instantiated and called as such:
* Trie obj = new Trie();
* obj.insert(word);
* boolean param_2 = obj.search(word);
* boolean param_3 = obj.startsWith(prefix);
*/当然，Trie树也可以查询存储并查询一个单词出现了几次，只需要把isEnd改成cnt就行。当cnt为0时，表示没出现过，即不是一个完整的单词；当cnt > 0时，表示出现过，cnt的大小即为出现的次数。