C++ C++；子字符串-指向字符串范围的指针（加载大文件）

我有这样一个文件：

• ACCCTCGGCTACTACGACTAC
• GCTAGTGACTGAGCATGTCAGTC
• TAGCTACTGACTACATCGAC
• gctagatgctagcgtagtctgctgagtcgt
• GTCAGTCATGTGTACTGACGTATTGCTATTA

上面的文件有点大，它有9000行，长度为100-200个字符

我需要在映射中插入这些行的子字符串，范围为5（整个文件必须在同一映射中）

第一行是：ACCCTCGGCTACTACGACTAC，因此我需要加载到地图：

• ACCTCGGCTACTACGACTAC下一步
• ACCCTCGGCTACGACTAC下一步
• ACCCTCGGCTACTACGACTAC next
• ACCCTCGGCTACTACGACTAC

在此之后，我们加载第二行，第三行，直到eof

所以。我的第一个想法是：

map<string, set<string>> sequences;
int SEQLEN = 74; // cause we load 74 long substrings

while (getline(in, name) && getline(in, chain)) {
    for (int i = 0; i + SEQLEN < chain.size(); i++) {
        string subchain = chain.substr(i, SEQLEN);
        sequences[subchain].insert(name);
    }
}

map序列；
int SEQLEN=74；//因为我们加载了74个长的子字符串
while（getline（in，name）和&getline（in，chain））{
对于（int i=0；i+SEQLEN

但在此之后，我们有了一个映射，它消耗了4.5GB的RAM，这是不可接受的，因为它应该工作的PC只有2GB:C

我听说了一些“字符串字符指针”。如果存在类似的情况，我可以加载所有行并保存指向这些子字符串的“start char”和“end char”的指针，然后通过提供这个“range”来加载它们

你觉得呢，有没有类似“指向字符串的特定字符的指针”的东西

---

如果有人有任何想法，我将不胜感激：）

因为您的字符串编码碱基，并且您关心的是节省内存，最好的方法是完全删除字符串

字母表中有四个碱基字符，只有45或1024个可能的长度为5的子字符串。您可以通过查找将它们中的每一个编码为

short

整数，然后通过反向查找对其进行解码以输出

---

这种方法将为您节省大量内存：查找所需的1024个字符串数组和

std:：map

将占用大约50K内存。存储每个5个字符的子字符串将花费两个字节，而不是32位系统上的14个字节或64位系统上的22个字节。您的整个文件可以存储在不到1兆字节的内存中。

如果您有一个最先进的编译器，请创建一个存储所有行的映射，并创建一个只存储第一个映射中字符串的

（开始，结束）

索引的映射。@kfx问题基本上是如何做到这一点。您的字符串是否实际编码碱基，或者它们看起来是巧合吗？是的，这是一个非常实用和实用的答案是的，这是完美的，但我的子字符串是74长，不是5:v我的错，而是+1来指出这一点：）@Kuba通过将74个字符串压缩到19个字节，你仍然可以节省4倍的内存。与其每字节存储一个字符，不如存储四个两位块，并编写一对函数，用于转换这种压缩格式。