不用现成trie包而自实现，因第三方库不暴露节点结构，无法支持按前缀匹配+频率排序的补全；自实现可精准控制插入、搜索与遍历，并灵活扩展权重、去重及模糊匹配。
为什么不用现成的 trie 包而要自己写
因为多数第三方包（如 pygtrie 或 marisa-trie）不暴露内部节点结构，无法灵活支持「按前缀获取所有匹配词 + 按频率排序」这类补全逻辑；自实现能精准控制插入、搜索、遍历行为，也便于后续加权重、去重、模糊匹配等扩展。
TrieNode 必须存什么字段才够用
只存 children 字典和 is_end 布尔值远远不够——补全需要知道哪些词存在、它们的出现次数、甚至是否为用户高频词。实际至少要带：
-
children：字典，键为字符，值为子TrieNode -
is_end：标记该节点是否为某个完整词结尾 -
count：该词被插入的次数（用于排序），初始化为0 -
word：可选，仅在叶子节点缓存完整词（避免回溯拼接，省 CPU）
注意：word 不必每个节点都存，只在 is_end == True 时设置，否则浪费内存。
插入时怎么避免重复计数但保留多义路径
同一个词反复插入（比如用户多次搜「python」），应累加 count，而不是覆盖；但「py」和「python」是两个独立路径，必须允许共存。关键在插入末尾节点的处理逻辑：
def insert(self, word: str):
node = self.root
for ch in word:
if ch not in node.children:
node.children[ch] = TrieNode()
node = node.children[ch]
node.is_end = True
node.count += 1 # ← 这里不是 =1，是 +=
node.word = word # ← 只在终点赋值，不干扰中间节点
漏掉 += 就会导致补全时热门词排不上去；如果在每层都设 word，会污染中间节点语义。
如何高效取出前缀下的 Top-K 补全候选
不能先 DFS 收集全部词再排序——词库大时内存爆炸。应该用「DFS + 堆剪枝」或「BFS 层序限制」。更实用的是：先走到前缀末节点，再从那里开始 DFS，边遍历边维护一个大小为 K 的最小堆：
- 用
heapq存(-count, word)（负号变最大堆） - DFS 过程中一旦堆满且当前
count≤ 堆顶最小频次，就剪枝（return） - 前缀本身若
is_end为真，也要作为候选加入堆
直接调 sorted(..., key=lambda x: -x[1])[:k] 看似简单，但在 10 万词规模下可能比带剪枝 DFS 慢 5–8 倍。
真正难的不是建树，而是让补全结果既快又准：频次更新要及时、前缀跳转不能漏节点、堆剪枝边界条件容易写错。这些细节没测过真实数据流，上线后大概率要返工。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
