通配符的字符串匹配算法

1. 简述

    题目描述：
    Str1中可能包含的字符：除了'*'和'?'以外的任意字符。
    Str2中可能包含的字符：任意字符。其中，'?'表示匹配任意一个字符，'*'表示匹配任意字符0或者多次。
    给出这样两个字符串，判断Str2是否是Str1的子串，如果是输出第一个匹配到的子串，如果不是，输出"不是子串"。

2. 分析

    对于'?'的处理，只要在匹配的时候将代码由：if(str1[i]==str2[j]) 改为 if(str1[i]==str2[j] || str2[j]=='?')即可。
    对于'*'的处理，可以将str2根据其中的'*'分为若干个片段，然后依次在str1中分别匹配这几个片段即可，而且对于这几个片段分别匹配，如果第k个片段在str1中匹配不到，后面也可以结束了。这里举例说明一下：对于str1="Oh year.Totay is weekend!"，str2=*ye*a*e*"，实际上就是在str1中匹配"ye","a","e"这三个片段。
    Oh year.Totay is weekend!
         yea                e
         yea                  e
         yea                     e
         ye         a        e
         ye         a         e  
         ye         a             e
    实际上，能够匹配到上面6种情况，按照我们的如果从左到右的匹配每个片段返回的是第一种情况。这里主要分析这种情况的处理，对于所有情况的输出后面再简单说明一下。
    首先处理str2，根据'*'分成若干个部分，然后依次在str1中进行匹配，使用kmp算法即可。这样判断能否匹配或者只找第一个匹配的子串的负责度是O(m+n)

3. 代码实现

    其中利用了kmp算法，为了使用方便，稍微改了下kmp算法的输入参数，即pat字符串的长度不用'\0'确定，用指定参数确定。

#include <iostream>
#include <deque>
using namespace std;

// KMP算法，pat长度由len_pat指定 
void get_next(const char pat[], int next[], int pat_len) {
  // int len = strlen(pat);
  int len = pat_len;
  int i,j; next[0] = -1;
  for(i=1; i<len; i++) {
    for(j=next[i-1]; j>=0 && pat[i-1]!=pat[j]; j=next[j])
      ;
    if(j<0 || pat[i-1]!=pat[j])
      next[i] = 0;
    else 
      next[i] = j+1; // if (pat[i]==pat[next[i]]) next[i]=next[next[i]];
  }
  for(int i=0; i<len; i++) {
    if(pat[i] == pat[next[i]])
      next[i] = next[next[i]];
  }
}

// KMP算法，str长度由'\0'判断，pat长度由len_pat指定 
int kmp_next(const char text[], const char pat[], int pat_len) {
  int t_length = strlen(text);
  // int p_length = strlen(pat);
  int p_length = pat_len;
  int t,p; int* next = new int[p_length];
  get_next(pat, next, p_length);
  for(t=0,p=0; t<t_length,p<p_length; ) {
    if(text[t] == pat[p]) 
      t++,p++;
    else
      if(next[p] == -1) // 说明此时p=0，而且pat[0]都匹配不了 
        t++;
      else 
        p = next[p];  
  }
  delete []next;
  return t<t_length ? (t-p_length):-1;  
}

// 切分pat的结构 
struct PAT_INFO {
  char* pat;
  int len;
};
// 可以匹配通配符的KMP，返回第一个匹配子串在str中的下标 
void KMP_WildCard(char* str, char* pat) {
  int len_str = strlen(str);
  int len_pat = strlen(pat);
  int i,j;
  deque<PAT_INFO> store;
  // 切分pat到store中 
  PAT_INFO info;
  bool new_info = true;
  for(i=0; i<len_pat; i++) {
    if(pat[i] == '*') {
      if(new_info == false) // 有info需要保存 
        store.push_back(info);
        new_info = true;
    }
    else {
      if(new_info) { // 需要新建一个info 
        info.pat = pat + i;
        info.len = 1;
        new_info = false;
      }
      else { // 不需要新建一个info 
        info.len++;
      }
    }
  } // for
  // 测试切分结果 
  /* 
  while(store.size() > 0) {
    info = store.front();
    for(i=0; i<info.len; i++)
      cout << info.pat[i];
    cout << endl;
    store.pop_front();
  }*/
  // 根据切分后的pat序列进行匹配
  int first_index = -1; // 起始的下标 
  int last_index = 0; // 最后的下标后面的一个位置 
  int next_index = 0; // 下一次开始匹配的下标 
  while(store.size()) {    
    info = store.front();    
    next_index = kmp_next(str+next_index, info.pat, info.len);
    if(next_index == -1) { // 这个片段没找到，查找任务失败 
      break;
    }    
    else { // 这个片段找到了，继续找
      if(first_index == -1) { // 找到的第一个片段 
        first_index = next_index;
      }
      last_index += next_index + info.len; 
      next_index = last_index;
    }
    store.pop_front();
//    cout << last_index << endl;
  }
  if(store.size())
    cout << "not found" << endl;
  else {
    for(i=first_index; i<last_index; i++)
      cout << str[i];
    cout << endl;
  }

}  

int main() {
  char * str = "Oh year.Totay is weekend!";
  char * pat =  "*ye*a*e*";
  cout << "str: " << str << endl;
  cout << "pat: " << pat << endl;
  cout << "res: ";
  KMP_WildCard(str, pat);
  system("PAUSE");
  return 0;
}

    

4. 所有匹配结果输出
    例子：

    Oh year.Totay is weekend!
    yea                e
    yea                  e
    yea                     e
    ye         a        e
    ye         a         e  
    ye         a             e
    首先是所有结果是什么：如果我们要的是str1匹配到的字符串，那么可见实际上上面6个有3个是重复的，因此对于这种情况，只有得到匹配字符串在str1中的开始index和结束index，然后对于重复的去掉即可。如果要的是str1匹配到的字符的下标，那么这是不会重复的。
    然后说一下匹配方法，基本上与匹配一个的差不多，不过要加上回溯的过程。比如第一次匹配成功后，继续在新的位置匹配最后一个片段，如果成功了就是第二次匹配成功了，否则就要回溯取在新的位置去匹配倒数第二个片段了，依次类推。直到第一个片段都没法再匹配到，不再回溯了。此外值得注意的是，如果第一次匹配都没成功，就不必回溯了，这种情况下，说明不可能存在匹配结果，因为匹配是从左到右的顺序，都会尽量在左边找到合适的片段，如果第一次都没成功，假设在第k个片段上匹配失败了，那么再回溯的话，轮到k片段是空间实际上只会与上次相同或者更小，大的空间都匹配不到，小的空间更不用说了。
    还有一点值得注意：有的一些博文采用的是用str2中一个字符一个字符的匹配，感觉效率会低，而且也没有片段这个方法中的第一次匹配失败就可以停止的规律，也用不了kmp（准确的说是体现不出kmp的优势）。

5. 参考

通配符的字符串匹配算法http://www.cnblogs.com/pangxiaodong/archive/2011/09/07/2169588.html

带通配符*的字符串匹配    http://www.slimeden.com/2010/10/algorithm/stringmatchwithasterisk
hdu 3901 Wildcard 带通配符的字符串匹配    http://blog.csdn.net/kongming_acm/article/details/6656583