字符串匹配

字符串的匹配包括蛮力匹配算法，KMP算法，BM算法，Horspool算法，Sunday算法，fastsearch算法，KR算法等等。

        本文主要介绍KMP算法和BM算法，它们分别是前缀匹配和后缀匹配的经典算法。所谓前缀匹配是指：模式串和母串的比较从左到右，模式串的移动也是从左到右；所谓后缀匹配是指：模式串和母串的的比较从右到左，模式串的移动从左到右。看得出来前缀匹配和后缀匹配的区别就仅仅在于比较的顺序不同。

KMP

KMP算法中的KMP分别是指三个人名：Knuth、Morris、Pratt，与蛮力匹配算法的区别在于它会动态调整每次模式串的移动距离，而不仅仅是加一，从而加快匹配过程。

下图通过一个直观的例子展示前缀蛮力匹配算法和KMP算法的区别，这二者唯一的不同在于模式串移动距离。

    上图中，前缀蛮力匹配算法发现匹配不上，就向右移动距离1，而KMP算法根据已经比较过的前缀信息，了解到应该移动距离为2；换句话说针对母串的下一个匹配字符，KMP算法了解它下回应该匹配模式串的哪个位置，比如上图中，针对母串的第i+1个字符，KMP算法了解它应该匹配模式串的第k+1个字符。为什么会是这样，这是因为母串的子串T[i-k, i]=aba，而模式串的子串P[0,k]=aba，这二者正好相等。所以模式串应该移动到这个位置，从而让母串的第i+1个字符和模式串的第k+1个字符继续比较。

    那k值又是如何寻找？请注意上图中，模式串位置j已经匹配上母串的位置i，也就是T[i-k, i] = P[j-k, j]=aba；根据前文的T[i-k, i] = P[0, k] = aba， 从而得出P[0, k] = P[j-k, j] = aba。通过观察发现，就是在模式的子串[0, j]中寻找一个最长前缀[0,k]，从而使得[j-k, j] = [0,k]；

    于是可以定义一个jump数组，jump[j]=k，表示满足P[0, k] ==P[j-k, j] 的最大k值，或者表述为：如果模式串j+1匹配不上母串的i+1,那跳转到模式串k+1继续比较。有了这个jump数组，就很容易写出kmp算法的伪代码：

 

j:=0;
for i:=1 to n 
    while(j>0&&p[j+1]!=T[i]) j:= jump[j];
    if(p[j+1]==T[i])  j:=j+1;
    if(j==m) cout<<"pattern occurs with shift "<<i-m<<endl;

    KMP算法中jump数组的构建可以通过归纳法来解决，首先确定jump[1]=0；假设jump[j]=k，也就是P[0, k] == P[j-k, k]，如果P[j+1] == P[k+1]，那么得出[0,k+1] = P[j-k, j+1]，从而更加定义得出jump[j+1] = k+1；
如果P[j+1] != P[k+1]，那就接着比较P[j+1] ?= P[k1+1]，其中（jump[k] = k1），根据（jump[k]=k1）的定义，P[0,k1] == P[k-k1, k]，根据（jump[j]=k）的定义，P[0, k] == P[j-k, k]，根据这两个等式，推出P[0, k1] == P[j-k1, j]，如果此时P[j+1] == P[k1+1]，则得出：jump[j+1] = K1 +1 = jump[k] +1。
如果P[j+1] != P[K1+1]，继续递归比较P[j+1] 和P[jump[jump[k]]+1]  ….  P[1]；
如果依次比较都不相等，那么jump[j+1] = 0；写成伪代码如下，可以看出其实就是模式串自我匹配的过程。

 

 

 

 

jump[1]  = 0;
j = 0;
for (i=2;i<=m;++i)
    while(j>0&&p[j+1]!=p[i]) j=jump[j];
    if(p[j+1] = p[i]) j = j+1;
    jump[i] = j;

KMP算法最差的时间复杂度是O(n)；最好的时间复杂度是O(n/m)。

 

 

 

 

BM算法

后缀匹配，是指模式串的比较从右到左，模式串的移动也是从左到右的匹配过程。

 

 

 

为了实现更快移动模式串，BM算法定义了两个规则，好后缀规则和坏字符规则，如下图可以清晰的看出他们的含义。利用好后缀和坏字符可以大大加快模式串的移动距离，不是简单的++j，而是j+=max (shift(好后缀), shift(坏字符))

 

先来看如何根据坏字符来移动模式串，shift(坏字符)分为两种情况：

• 坏字符没出现在模式串中，这时可以把模式串移动到坏字符的下一个字符，继续比较，如下图：

• 坏字符出现在模式串中，这时可以把模式串第一个出现的坏字符和母串的坏字符对齐，当然，这样可能造成模式串倒退移动，如下图：

为了用代码来描述上述的两种情况，设计一个数组bmBc['k']，表示坏字符‘k’在模式串中出现的位置距离模式串末尾的最大长度，那么当遇到坏字符的时候，模式串可以移动距离为： shift(坏字符) = bmBc[T[i]]-（m-1-i)。如下图：

 

 

 

void preBmBc(char* x,int m,int bmBc[])
{
    int i;
    for(i=0;i<size;++i)
         bmBc[i] = m;
    for(i=0;i<m-1;++i)
        bmBc[x[i]] = m-i-1;
}

再来看如何根据好后缀规则移动模式串，shift（好后缀）分为三种情况：

 

 

 

 

• 
  模式串中有子串匹配上好后缀，此时移动模式串，让该子串和好后缀对齐即可，如果超过一个子串匹配上好后缀，则选择最靠左边的子串对齐。

  

• 模式串中没有子串匹配上后后缀，此时需要寻找模式串的一个最长前缀，并让该前缀等于好后缀的后缀，寻找到该前缀后，让该前缀和好后缀对齐即可。

  

• 模式串中没有子串匹配上后后缀，并且在模式串中找不到最长前缀，让该前缀等于好后缀的后缀。此时，直接移动模式到好后缀的下一个字符。

  

  为了实现好后缀规则，需要定义一个数组suffix[]，其中suffix[i] = s 表示以i为边界，与模式串后缀匹配的最大长度，如下图所示，用公式可以描述：满足P[i-s, i] == P[m-s, m]的最大长度s。
  

   

   

  suffix[m-1] = m;
  for(i=m-2;i>=0;--i)
  {
      q = i;
      while(q>=0&&p[q]==p[m-1+i+q]
          --q;
     suffix[i] = i-q;
  }

   

  有了suffix数组，就可以定义bmGs[]数组，bmGs[i] 表示遇到好后缀时，模式串应该移动的距离，其中i表示好后缀前面一个字符的位置（也就是坏字符的位置），构建bmGs数组分为三种情况，分别对应上述的移动模式串的三种情况

  • 模式串中有子串匹配上好后缀

    

  • 模式串中没有子串匹配上好后缀，但找到一个最大前缀

    

  • 模式串中没有子串匹配上好后缀，但找不到一个最大前缀

    

  构建bmGs数组的代码如下：

   

  void preBmGs(char *x, int m, int bmGs[]) {
     int i, j, suff[XSIZE];
     suffixes(x, m, suff);
     for(i = 0; i < m; ++i)
        bmGs[i] = m;
     j = 0;
     for(i = m - 1; i >= 0; --i)
       if(suff[i] == i + 1)
         for(; j < m - 1 - i; ++j)
              if(bmGs[j] == m)
                 bmGs[j] = m - 1 - i;
     for(i = 0; i <= m - 2; ++i)
        bmGs[m - 1 - suff[i]] = m - 1 - i;
  }

  
  再来重写一遍BM算法：
   

  j = 0；
  while(j <= strlen(T) - strlen(P))
  {
     for(i = strlen(P) - 1; i >= 0 && P[i] ==T[i + j]; --i)
        if(i < 0)
        match；
        else
        j += max(bmGs[i], bmBc[T[i]]-（m-1-i))；
  }

  
  

  最后欢迎大家访问我的个人网站:1024s