Python字符串处理算法 (一)

CIC内部的核心软件系统都是搭建在linux上的，为了方便程序间的协同操作，我们还编写了很多shell script，尽管类似grep, sort, cut之类的工具用起来很爽很强大，但是shell 脚本并不适于描述稍微复杂些的逻辑跟算法，譬如我曾经写过这样的代码，猜猜它是做什么的

text=abcde
echo $text|sed -r 's/(.)//1 /g'|cut -d" " -f1,2,3|sed 's/ //g'

其实呢，就是取字符串 'abcde' 的前三位，输出结果是 'abc'

如果程序里充满类似的代码，不难想象其可读性和可维护性都不会好到哪里去，因此我们正在尝试其他的脚本作为补充，Python就是一个理想的选择。为什么 没选其他语言呢，答案很简单：据说Google也用Python... 他们的选择总归不会太糟，我们也就懒得花时间挑了。

用Python来实现上面同样的功能，很简单, text="abcde";text[0:3]

作为我个人学习的一部分，我打算用Python实现《算法导论II》 中的一些经典算法，并且记录下来，和大家分享

我首先选择了第32章，即字符串匹配作为这系列文章的开始，毕竟我们内部的程序涉及大量的文本分析操作，用Python 来重新实现其中一些，也是温故知新，会更有效果。

在实现的过程中我发现，Python 语法和书中伪码很相像，加上命令的执行可以立竿见影，实在是非常适合用于教学的语言。只是需要注意的是书中伪码的字符串起始下标为1，结束下标是闭区间, 而Python中字符串起始下标为0（当作一个list进行slice), 操作时的结束下标为开区间。因此书中伪码翻译为Python时所有字符串起始下标都需要减1，而结束下标不变。

先用Python的语法简单描述一下何谓字符串匹配算法，一些对变量的大小约束这里不再赘述。

假设有长度为 m 的模式字符串 P， 长度为 n 的文本 T，如果 P 出现在 T 的偏移 s 处，则有 P[0:m] = T[s-1: s+m]

说到这里，我们可以先在Python的交互环境中实验一下：

输入
p="cde"
t="abcde"
p[0:3] == t[2:5] == "cde"

输出
True

从而证明 p 出现在 t 的偏移 2处

那么什么是字符串匹配算法呢，这类算法就是要在文本 T 中找到所有出现模式字符串 P 的偏移位置。

接下来同样用Python的语法来描述一些术语

有两个字符串变量 x 和 y

x 和 y 相结合(concatenation):  x+y
x 是 y 的前缀(prefix):         x.startswith(y)
x 是 y 的后缀(suffix):         x.endswith(y)
x 的包含k个字符的前缀:         x[0:k-1]