字符串第六天:KMP算法

文章转自：https://github.com/youngyangyang04/leetcode-master/blob/master/problems/0028.%E5%AE%9E%E7%8E%B0strStr.md

大佬公众号：代码随想录

来源

KMP算法是一种改进的字符串匹配算法，由D.E.Knuth，J.H.Morris和V.R.Pratt提出的，因此人们称它为克努特—莫里斯—普拉特操作（简称KMP算法）。

KMP应用场景

KMP主要应用在字符串匹配上。

KMP的主要思想是【当出现字符串不匹配时，可以知道一部分之前已经匹配的文本内容，可以利用这些信息避免从头再去做匹配】。

所以如何记录已经匹配的文本内容，是KMP的重点，也是next数组肩负的重任。

前缀表

next数组就是一个前缀表（prefix table）。

前缀表是用来回溯的，它记录了模式串与主串（文本串）不匹配的时候，模式串应该从哪里开始重新匹配。

例如：

要在文本串（主串）：aabaabaafa中查找是否出现过一个模式串：aabaaf。

如下所示：

可以看出，文本串中第六个字符b 和 模式串的第六个字符f，不匹配了。如果暴力匹配，会发现不匹配，此时就要从头匹配了。

但如果使用前缀表，就不会从头匹配，而是从上次已经匹配的内容开始匹配，找到了模式串中第三个字符b继续开始匹配。

此时就要问了前缀表是如何记录的呢？

首先要知道前缀表的任务是当前位置匹配失败，找到之前已经匹配上的位置，在重新匹配，此也意味着在某个字符失配时，前缀表会告诉你下一步匹配中，模式串应该跳到哪个位置。

那么什么是前缀表：下表i之前（包括i）的字符串中，有多大长度的相同前缀后缀。

最长相等前后缀

文章中字符串的前缀是指【不包含最后一个字符的所有以第一个字符开头的连续子串】；

后缀是指【不包含第一个字符的所有以最后一个字符结尾的连续子串】。

前缀表要求的就是相同前后缀的长度。

为什么一定要用前缀表

这就是前缀表那为啥就能告诉我们 上次匹配的位置，并跳过去呢？

回顾一下，刚刚匹配的过程在下表5的地方遇到不匹配，模式串是指向f，如图：

然后就找到了下标2， 指向b，继续匹配，如图：

下表5之前这部分的字符串（也就是字符串aabaa）的最长相等的前缀 和 后缀字符串是 子字符串aa ，因为找到了最长相等的前缀和后缀，匹配失败的位置是后缀子串的后面，那么我们找到与其相同的前缀的后面从新匹配就可以了。

所以前缀表具有告诉我们当前位置匹配失败，跳到之前已经匹配过的地方的能力。

如何计算前缀表

如图：

子串a的最长相同前后缀的长度为0，这是默认的（参考前缀后缀定义）。

长度为2的子串aa， 前缀为a（下标为0的a），后缀也为a（下标为1的a），相同前后缀长度为1，所以子串aa的最长相同前后缀长度为1。

长度为3的子串aab，前缀为aa， 后缀为ab，前后缀不相同，因此最长相同前后缀为0。

后面以此类推：
长度为前4个字符的子串aaba，最长相同前后缀的长度为1。
长度为前5个字符的子串aabaa，最长相同前后缀的长度为2。
长度为前6个字符的子串aabaaf，最长相同前后缀的长度为0。

那么把求得的最长相同前后缀的长度就是对应前缀表的元素，如图：

可以看出前缀表里的数值代表着就是：当前位置之前的子串有多大长度相同的前缀后缀。

再来看一下如何利用 前缀表找到 当字符不匹配的时候应该指针应该移动的位置。如动画所示：

找到不匹配的位置，那么此时就要看它前一个字符的前缀表的数值是多少。

为什么要看前一个字符的前缀表的数值呢？
因为要找前面字符串的最长相同的前缀和后缀。

所以要看前一位的 前缀表的数值。

前一个字符的前缀表的数值是2， 所有把下表移动到下表2的位置继续比配。可以再反复看一下上面的动画。

最后就在文本串中找到了和模式串匹配的子串了。

前缀表有什么问题

会有这样一种情况：

看这个位置红框的位置，如果要找下表1 所对应 前缀表里的数值的时候，前缀表里的数值依然是1，然后就要跳到下表1的位置，如此就「形成了一个死循环」。

如何怎么避免呢？
就把前缀表里的数值统一减一， 开始位置设置为-1 。如下：

为什么不会有这种情况呢？下标为1的前缀表数值减一后的还是1呢？
下标为1， 说明只有两个字符，根据前缀后缀的定义：
前缀是指不包含最后一个字符的所有以第一个字符开头的连续子串；
后缀是指不包含第一个字符的所有以最后一个字符结尾的连续子串。
我们可以知道长度为2的字符最长相等前后缀不可能大于1。

因此通过将前缀表中数值减一来避免死循环！

最后得到的新前缀表在KMP算法里通常用一个next数组来表示。

注意这个next数组就根据模式串求取的。

next数组

next数组就是通过前缀表减一得到的。

有了next数组，就可以根据next数组来 匹配文本串s，和模式串t了。

匹配过程动画如下：

构造next数组

我们定义一个函数getNext来构建next数组，函数参数为指向next数组的指针，和一个字符串。 代码如下：

void getNext(int* next, const string& s);

构造next数组其实就是计算模式串s，前缀表的过程。 主要有如下三步：

1. 初始化
2. 处理前后缀不相同的情况
3. 处理前后缀相同的情况

1. 初始化

定义两个指针 i 和 j ，j 指向前缀起始位置，i 指向后缀起始位置。

然后还要对next数组进行初始化赋值，如下：

int j = -1; //前缀表统一减一
next[0] = j;	//第一个字符的next值默认为-1（0 - 1）

next[i] 表示 i（包括i）之前最长相等的前后缀长度（其实就是j）

为什么是j？
因为j 指向前缀起始位置，i 指向后缀起始位置， 当前后缀匹配时i ，j会同时后移直至匹配完成。匹配完成后j 则为前后缀相等时的前缀长度。

所以初始化next[0] = j 。

2. 处理前后缀不相等的情况
   因为j初始化为-1，那么i就从1开始，进行s[i] 与 s[j+1]的比较。

所以遍历模式串s的循环下标i 要从 1开始，代码如下：

for (int i = 1; i < s.size(); i++)

如果 s[i] 与 s[j+1]不相同，也就是遇到 前后缀末尾不相同的情况，就要向前回退。

怎么回退呢？

next[j]就是记录着j（包括j）之前的子串的相同前后缀的长度。

那么 s[i] 与 s[j+1] 不相同，就要找 j+1前一个元素在next数组里的值（就是next[j]）。

所以，处理前后缀不相同的情况代码如下：

while (j >= 0 && s[i] != s[j + 1]) { // 前后缀不相同了
    j = next[j]; // 向前回退
}

3. 处理前后缀相同的情况
   如果s[i] 与 s[j + 1] 相同，那么就同时向后移动i 和j 说明找到了相同的前后缀，同时还要将j（前缀的长度）赋给next[i], 因为next[i]要记录相同前后缀的长度。

代码如下：

if (s[i] == s[j + 1]) { // 找到相同的前后缀
    j++;
}
next[i] = j;

整体代码如下：

void getNext(int* next, const string& s)
{
	int j = -1;
	next[0] = j;
	for (int i = 1; i < s.size(); i++)
	{
		//不相等情况
		while (j >= 0 && s[i] != s[j + 1])	//j 初始值为-1， 所以后面需要和s[j + 1]比较，又因为i从1开始，不匹配时无需回退，所以j >=0
		{
			j = next[j];	//j回退
		}
		//相等情况
		if (s[i] == s[j + 1])
		{
			//i 和j同时后移继续匹配
			j++;
		}
		//更新next数组
		next[i] = j;
	}
}

代码构造next数组的逻辑流程动画如下：

时间复杂度分析

其中n为文本串长度，m为模式串长度，因为在匹配的过程中，根据前缀表不断调整匹配的位置，可以看出匹配的过程是O(n)，之前还要单独生成next数组，时间复杂度是O(m)。所以整个KMP算法的时间复杂度是O(n+m)的。

暴力的解法显而易见是O(n * m)，所以KMP在字符串匹配中极大的提高的搜索的效率。

文章出自：https://github.com/youngyangyang04/leetcode-master/blob/master/problems/0028.%E5%AE%9E%E7%8E%B0strStr.md

原文大佬公众号：代码随想录