C# 高效的标签数据结构？

假设您希望序列化和反序列化stackoverflow帖子，包括它们的标签，并尽可能节省空间（以二进制形式），但在进行标签查找时也要考虑性能。这种情况下有好的数据结构吗

Stackoverflow有大约28532个不同的标记，您可以创建一个包含所有标记的表并为它们分配一个整数，此外，您还可以按频率对它们进行排序，以便最常见的标记具有最低的数字。从搜索和存储的角度来看，仍然像字符串一样以“13245”格式存储它们似乎有点低效

另一个想法是将标记保存为变量位数组，这从查找和序列化的角度来看很有吸引力。因为最常见的标签是第一个，所以您可以将标签放入少量内存中

问题当然是不常见的标记会产生巨大的位数组。对于0的大跨度，是否有“压缩”位数组的标准？还是应该完全使用其他结构

编辑

---

我不是在寻找一个DB解决方案，也不是一个需要在内存中保存整个表的解决方案，而是一个用于过滤单个项的结构

您需要第二个表，其中包含两个字段：tag\u id question\u id

---

就这样。然后在tag_id、question_id和question_id、tag_id上创建索引，这将覆盖索引，因此所有查询都将非常快。

不破坏您的问题，但28k记录实际上并不多。您是否过早地进行了优化？ 我首先坚持在DB表上使用“常规”索引。他们使用的苛刻的启发法通常是非常有效的，而且不是微不足道的（或者如果你可以的话，是否真的值得及时付出努力，并且收益是否足够大？）

另外，根据您实际执行标记查询的位置，用户是否真的注意到您优化的200毫秒时间增益

先测量再优化：-）

编辑

如果没有DB，我可能会有一个主表，其中包含所有标签和一个ID（如果可能的话，将其保存在内存中）。将定期分类的ID列表与每篇文章放在一起

不确定有多少基于公共性的存储会有所帮助。一个排序的列表，你可以在其中进行常规的二进制搜索，这可能证明足够快；措施：-）

在这里，您需要迭代每个标记查询的所有帖子

如果最终速度变慢，您可以求助于为每个标记存储一袋post标识符。但是，此数据结构可能会变得有些大，并且可能需要查找和读取文件

---

对于较小的表，可以根据散列值（包含重复项）构建一个表。这样，你就可以用它快速找到一个较小的候选帖子列表，需要进一步检查这些帖子是否匹配。

我感觉你把问题抽象得太多了；您没有详细说明如何访问数据结构，这一点非常重要

---

也就是说，我建议计算每个标签的发生次数，然后使用最短的编码，可以用于标签。这并不完全完美，但我会坚持下去，直到你证明这是不合适的。然后，您可以将代码与每个问题相关联。

如果您想有效地查找特定标记中的问题，则需要某种索引。也许，所有标记对象都可以有一个引用数组（引用、指针、numeric id等），指向使用此特定标记标记的所有问题。这样，您只需找到标记对象，就有一个数组指向该标记的所有问题。

在这个场景中没有DB，问题是关于结构的，假设该场景是正确的；）