字符串匹配基础（上）

扫码关注公众号，获取更多内容

目录

一、BF算法

二、RK算法

---

一、BF算法

BF算法中文称作“暴力匹配算法”，也叫“朴素匹配算法”。

我们先来了解两个概念主串和模式串。来看下面的例子：

比如说，在字符串A（长度为n）中查找字符串B（长度为m），那么字符串A就是主串，字符串B就是模式串。因为我们是在主串中查找模式串，所以n>m。

BF算法可以用一句话来概括：我们在主串中，检查起始位置分别是 0、1、2....n-m 且长度为 m 的 n-m+1 个子串，看有没有跟模式串匹配的。如下图所示：

从上面的例子和算法思想我们可以知道，在极端情况下，比如主串是“aaaaaa....aaaaaa”(.....代表有多个a)，模式串是aaaaab。我们每次都比对m个字符串，要对比n-m+1次，所以，这种算法的最坏情况时间复杂度是O(n*m)。

尽管BF算法的时间复杂度很高，但在实际开发中，它却是一个比较常用的字符串匹配算法，原因有两点：

1、实际中，主串和模式串的长度都不会太长。

2、朴素字符串匹配算法思想简单，代码也非常简单。不容易出错，如果有bug也比较容易修复。

 

二、RK算法

在之前所讲述的BF算法中，如果模式串长度为m，主串长度为n，那在主串中，就会有n-m+1个长度为m的子串，我们只需要暴力对比这n-m+1个子串与模式串，就可以找出主串与模式串匹配的子串。

但是每次检查主串与子串是否匹配的时候，都需要依次对比每个字符，所以BF算法的时间复杂度就比较高（O(n*m)）。我们引入哈希算法对其进行改造，时间复杂度就会降低。

思路：通过哈希算法对主串中的n-m+1个子串分别求哈希值，然后逐个与模式串的哈希值比较大小，如果某个子串的哈希值与模式串相等，那就说明对应的子串和模式串匹配了，因为哈希值是一个数字，数字之间比较是否相等非常快速，所以模式串和子串比较的效率就提高了。

不过，通过哈希算法计算子串的哈希值的时候，我们需要遍历子串中的每个字符。尽管模式串与子串比较的效率提高了，但是算法的整体效率并没有提高，这个问题怎么解决呢？

这就需要哈希算法的设计的非常有技巧了。假设我们要匹配的字符串的字符集中只包含K个字符，我们可以用一个K进制数来表示一个子串，这个K进制数转化为十进制数，作为子串的哈希值。

比如要处理的字符串只包含a-z这26个字母，那我们就用二十六进制来表示一个字符串。我们把a~z这26个字符串映射到0-25这26个数字，a就表示0，b就表示1，c表示2，以此类推，z表示25。

在十进制的表示法中，一个数字的值是通过下面的方式计算出来的，对应到二十六进制，一个包含a-z的这26个字符串的字符串，计算哈希的时候，我们只需要把进位从10改成26就可以了。

为了方便解释，在下面，我们假设字符串只包含a-z这26个小写字符，我们用二十六进制来表示一个字符串，对应的哈希值就是二十六进制转化为十进制的结果。

这种算法有一个特点，在主串中，相邻两个子串的哈希值的计算公式有一定关系，来看下面的例子：

从上面的例子中，我们能得到一个规律：相邻两个子串 s[i-1] 和 s[i] （i表示子串在主串中的起始位置，子串的长度都为m），对应的哈希公式有交集，这就说明，我们可以使用s[i-1]的哈希值很快的计算出s[i]的哈希值。用公式表示的话，是下面的样子：

有个小细节需要注意，26^(m-1) 这部分的计算，我们可以通过查表的方法来提高效率。事先计算好26^0、26^1、26^2……26^(m-1)，并且存储在一个长度为m的数组中，公式中的“次方”对应数组的下标。当需要计算26的x次方的时候，就可以从数组的下标为x的位置取值，直接使用，省去了计算的时间。

整个RK算法包含两部分：

1、计算子串哈希值。

2、模式串哈希值与子串哈希值之间比较。

其中第一部分，可以通过前面介绍的设计特殊的哈希算法，主需要扫描一遍主串就能计算出所有子串的哈希值了，所以这部分时间复杂度是O(n)。

模式串哈希值与每个子串哈希值之间的比较的时间复杂度是O(1)，总共需要比较n-m+1个子串的哈希值，所以，这部分的时间复杂度也是O(n)，所以，RK算法的整体的时间复杂度就是O(n)。