1. 개요
우리가 여러 개의 문자열을 가지고 있을 때, 어떤 문자열이 그 문자열 중 하나인지 알아내는 방법은 뭐가 있을까?단순하게 일일이 비교해보면 된다. 하지만 컴퓨터는 이러한 방법이 매우 비효율적이다. 예를 들어, 최대 길이가 [math(m)]인 문자열 [math(n)]개의 집합에서 마찬가지로 최대 길이가 [math(m)]인 임의의 문자열이 그 문자열들의 집합에 포함되는지를 일일이 확인하면 사전처리는 필요 없지만, 최악의 경우 [math(O(nm))]의 비교 횟수가 필요하다.
이 문자열을 정렬시킨 뒤, 이진 탐색이라는 강력한 알고리즘을 사용하면 [math(O(m \log n))]로 단축시킬 수 있지만, 정렬 과정 자체에 [math(O(n m \log n))][1]의 시간이 걸리므로 이것도 비효율적이다. 하지만 위의 시간 복잡도를 압도하는 알고리즘이 존재한다. 프레드킨이 이름 붙인 "Trie"[2]라는 자료구조가 지금부터 설명할 가장 효율적인 문자열 검색법이다.
2. 구조
기본적으로 K진 트리[3]의 구조를 띠고 있다. 영어사전을 생각해보면 간단하다. 우리가 'cancel'이라는 단어를 찾으려면 우선 앞 글자 'c'의 색인을 찾을 것이다. 그 다음 'a', 'n', ... 순서대로 찾아가는 것이다. 이것을 논리적으로 컴퓨터에 적용한 구조가 바로 트라이 구조이다.[4] 이를테면 'tea'라는 문자열이 입력되었다면 순서대로 머릿글자 't'가 등록되고 그 다음 'e'가, 그 다음 'a'가 등록된다. 마지막에 문자열을 모두 찾았다면 그 위치에 "이곳에 문자열이 있다"고 표시하면 되는 것이다. 그리고 그런 시작 문자열을 접두어(prefix)라고 부른다.[5]
이러한 트라이 구조는 찾고자 하는 문자열을 공간을 많이 사용하는 대신, 그 문자열의 길이의 속도만큼 초고속 탐색이 가능하다.
일반적으로는 동적 할당을 통해 생성하지만 Array를 통하여 구현하는 방법을 설명한다.
-
trie에 등록하고자 하는 문자열p가 있다고 하자. 이때, 편의상 이 문자열은 알파벳 소문자로만 구성되어 있다고 가정한다. -
trie의 루트는 언제나 0이다. 이 0부터 시작하여p[i]-'a'에 대해 다음 노드로 이동 가능한지 여부를 판단한다. -
이동할 수 있다면 이동하고 이동할 수 없다면
triesize에 1을 추가하여 새로운 노드를 만든 뒤 그곳을 가리키게 한다. - 동적 할당을 활용할 수 있는 전문가라면, 할당해준 뒤, 그것을 가리키게 하면 된다.
- 이하 반복.
이를 개략적으로 구현하면 아래와 같을 것이다.
#!syntax javascript
triesize = 0 // triesize의 초기값
// ...
node = 0
for i in 0 ... p.length
if trie[node][p[i]-'a'] == 0
trie[node][p[i]-'a'] = ++triesize
node = triesize
else
node = trie[node][p[i]-'a']
check[node] = true // 해당 노드에 문자열이 존재함을 알림
2.1. 시간 복잡도
문자열 집합의 개수와 상관 없이 찾고자 하는 문자열의 길이가 시간 복잡도가 된다. 즉, 문자열의 길이가 [math(m)]이라면 시간 복잡도는 [math(O(m))]. 그 이유는 간단하다. 트라이를 구현할 때, [math(n)]과 [math(m)]이 상대적으로 작다면[6] 배열을 사용할 텐데, 현재 노드의 위치를i, j번째 문자라고 한다면 trie[i][j]의 위치를 조회하는 건 [math(O(1))]에 수행이 가능하다. 여기서 [math(m)]번을 수행하니 [math(O(m))]의 시간이 걸리는 것이다. 하지만 [math(n)]과 [math(m)]이 큰 경우에는, 메모리 확보를 위해 시간을 희생해서라도 3. 관련 알고리즘
[1]
이것은 사전처리이므로 한 번만 수행하면 된다. 후술할 트라이의 경우는 사전처리를 [math(O(nm))] 안에 할 수 있다. 단, Map을 사용하는 경우 제외.
[2]
발음은 트라이(try), 트리(tree) 두 개다 쓰인다. 본래 Trie 가 re"trie"val 에서 왔기에 '트리' 발음으로 불려야하지만 tree 도 똑같은 발음을 가지고 있어서 이 둘을 분간하기위해 트라이 라고 부르는 사람도 꽤 된다. 딱히 standardized 된게 아니니 입맛에 맞게 쓰자
[3]
여기서의 K는 문자의 개수를 의미한다. 예를 들어 63개의 문자를 사용한다면 63진 트리가 되는 것이다.
[4]
The Art Of Computer Programming 3 561P 숫자별 검색
[5]
사진 출처
[6]
여기서 [math(n)]과 [math(m)]이 작다는 것은 노드의 개수로 인한 메모리 사용량이 일반 가정집에서 안정적으로 확보할 수 있는 256MB를 넘지 않는 걸로 한다.
[7]
유니코드는 범위가 0 ~ 0x10FFFF(10진수 1114111)라서 배열로 할당하면 메모리가 남아나지 않게 된다.
[8]
오늘날 검색엔진의 주가 되는 알고리즘이다.