Hi

ein knappes MB :) Oder scklucken deine Oktets 1KB?

Da steht nix von Gigabyte, da steht nur Gig. Ein Gigabit würde z.B. passen.

leider auch nicht weil 3 Dezimalstellen 10 Binärstellen braucht (1024) und ein Byte nur 8 derselben hat :)

Aber in solche Fallen kann man an Neujahr schon mal tappen; genauso, wie sie zu Sylvester gerne mal gestellt werden - in der Sektlaune ;-)

Hei man it's Silvester not Sülvester! *fg*

(SCNR habe "Der Genetiv ist dem Dativ sein Tod" zu Weihnachten bekommen :)
 http://www.spiegel.de/kultur/gesellschaft/0,1518,280021,00.html

Ich denke Hashtabllen sind ziemlich unschlagbar.

Hashtabellen sind nur dann erfolgreich, wenn alle, und ich meine _alle_, Daten vorher bekannt sind.

Die Wörter der deutschen Sprache sind bekannt ...

Nur dann kann ein "perfect hash" erstellt werden, es gibt keine Kollisionen und es gilt O(1). Zudem ist der Hashwert nicht einfach bekant, sondern muß vorher berechnet werden: bei jedem Eintrag und bei _jeder_ Suche.

Ja es braucht ne Hashfunktion die mit deutschen resp. "denglischen" Wörtern gut zurecht kommt (z.B. "Sylvester";). Gut angenommen mehrere Wörter werden auf den gleichen Hashwert abgebildet, so what. Ich kann ja an der Stelle eine Liste der paar zulässigen Wörter ablegen. Selbst wenn ich diese Liste linear durchsuchte, ist das immer noch effektiver als ne binäre Suche.

Da nützen Schätzwerte wenig, das sollte zumindest mit etwas Statistik gestützt werden.

Ich legte bereits mein Nutzerverhalten zugrunde das bereits atypisch spezialisiert ist d.h. bereits zu viele regexp enthält. Daniela geht ja von der gleichen Annahme aus.

Aber wie Du selber schon herausgefunden hast: das funktioniert nicht nur mit Zeichenketten nicht, sondern erfordert auch, das alle die gleiche Rechtschreibung beachten.

Die Frage wie man effektiv enthaltene Wortteile sucht, macht mir mehr sorgen. Wie macht es die DB?

Nein, eine simple Wortindizierung bringt es einfach nicht.

Nun es reicht ein  Histogramm der Buchstaben- oder Silbenverteilung
im Archiv um ne effektive und stabile Hashfkt zu basteln, die einerseits ins RAM passt und Rechtschreibfehlertolerant ist.
Sowas gibts bestimmt schon irgendwo fertig ausgearbeitet.

so short

a bittle longer
 rolf