KMP算法思路拆分

KMP算法

  KMP算法是一种字符串匹配算法，这里字符串匹配是指：“字符串P是否为字符串S的子串(后面统一用P表示模式串，S表示主串)，如果是，它出现在S的哪个位置（起始位置）”，KMP算法可以在O(n+m)的时间里实现这样的匹配。接下来我会以通俗易懂的方式，一步一步讲解这个算法的思路。
  首先，我们来看字符串匹配这个问题，最直接的解决方式就是暴力破解，这个非常容易理解，从主串S的第一个字符开始，和模式串P逐个字符进行比较，直到出现不匹配的情况，然后再继续从S的第二个字符开始，重新和P逐字符比较，依次类推，直到找到完全匹配的位置或者可能直到S尽头也没有完全匹配(当然这里完全不用尝试到S串的尽头，只要剩下的S串长度小于P串长度，就可以终止匹配了)。
  之所以介绍暴力破解这种方式，是因为KMP算法就是基于这种方式做了一些改进。在正式介绍KMP算法之前，先举一个例子：S =“ababa…”，P =“ababe”, i 表示主串S的下标， j 表示模式串P的下标，下标从0开始。通常情况下，我们人为判断一般也是从主串S起始位置开始，当匹配到第五个字符，即i = j = 4时，匹配失败。在这个时候我们往往不会，从S的下一个字符进行判断，因为在第一次匹配过程中我们已经得到了一些信息，根本没必要从S的第二个字符再重新判断，至少从第三个字符开始判断才有可能匹配成功，所以我们可以直接略过S的第二个字符，从S的第三个字符开始重新判断，即从 i = 2 ， j = 0的初始条件开始判断……与暴力破解不同的是，我们利用在匹配过程中收集到的信息，排除了一些必然不可能的选项，减少了匹配次数。这个模式大致流程是这样的，逐步移动 i 和 j 进行比较，若出现不匹配的情况， j 重置为0，而 i 则根据匹配过程中收集到的信息，跳过一些不可能的选项，即 i 不再是回到本次匹配过程中起始位置的下一跳了，可能直接到下下个字符，或者更多。这种方法通常是我们人为判断的一种方法，但并没有将匹配过程中收集到的信息利用完全。还是以上面那对字符串为例，我们明明已经匹配到了S的第五个字符，第二次匹配的时候却还是从第三个字符开始重新判断，这就意味着，第四和第五个字符的信息我们浪费掉了，我们没有物尽其用。那我们稍微用心一下，就会发现，第一次匹配失败后，我们可以直接从 i = 4 ， j = 2 的位置重新开始判断。重点来了，第一次匹配中，S串和P串有4个相同的字符串，即S[0 : 3] = P[0 : 3],那么一定有S[2 : 3] = P[2 : 3]；第二次匹配，S串从第五个字符开始，P串从第三个字符开始，这意味着，P串前两个字符和S串的第三、第四个字符是相同的，即S[2 : 3] = P[0 : 1]，最终我们得到一个结果P[0 : 1] = P[2 : 3],即P串的前两个字符和P串的第3至4个字符是一样的，也正因为他们一样，我们才能在第二次匹配的时候直接从 i = 4 ， j = 2 开始匹配。从这里我们开始引入KMP算法第一个重要的定义：前缀和后缀，定义 “k-前缀” 为一个字符串的前 k 个字符； “k-后缀” 为一个字符串的后 k 个字符， k 必须小于字符串长度。在第五个字符匹配失败之前已经成功匹配了4个字符"abab",P[0 : 1]和P[2 : 3]恰好是这个字符最长的相等的前后缀，我们定义为真前后缀，其他字符串相等的前后缀统称为公共前后缀。

  当在某一位置匹配失败后，我们只需要获取该字符在P串位置前的字符串的真前后缀，然后将当前真前缀对准真后缀的位置就可以了。也就是说，我们可以不回溯 i ，只移动下标 j ，就能完成字符串的匹配，即当 j = k 时发现字符不匹配，本轮次匹配结束，然后我们求P串前 k-1 个字符的真前后缀，将下标 j 移动到真前缀的下一个位置即可，这种匹配方式尽可能地使用到了已匹配过的信息，这就是KMP算法的匹配方式。
  现在问题来了，我们如何求这个真前后缀呢，这就要引入KMP算法的第二个概念next[]数组，next[i]表示P[0 : i]的真前后缀的长度，next[0] = 0。举个例子："ababe"对应的next[] = [0,0,1,2,0]。为什么next[i]表示P[0 : i]而不是S[0 : i]的真前后缀的长度？因为在匹配过程中，我们利用的是已经匹配过的信息，那么已经匹配上的字符，表示S串和P串同时拥有这些字符，参照其中一个即可，所以只需要要求出P串的next数组，就可以将所有可能出现的情况囊括其中(不用关注S串)。
  next[]数组咋求？可以采用递归的方法，已知next[i] = k，即P[0 : i]的真前后缀长度为k，即P[0 : k - 1] = P[i - k + 1 : i]。如果P[k] = P[i + 1]，则P[0 : k - 1] + P[k] = P[i - k + 1 : i] + P[i + 1]，即P[0 : k] = P[i - k + 1 : i + 1]，则next[i + 1] = k + 1。若P[k] != P[i + 1]，此时next[i + 1] != k + 1。首先next[i + 1]一定是小于k + 1的(易证，反证法即可)，那么此刻我们如何找到新的最大公共前后缀？这里依然要用到next[i] = k这个信息，P[0 : k - 1] = P[i - k + 1 : i]。首先假设next[i + 1] = j，则有 j < k + 1，P[0 ：j - 1] = P[i + 1 - j + 1 : i + 1]，P[0 ：j - 2] = P[i + 1 - j + 1 : i],next[i] = (j - 1) + 1，我们需要做的就是找个某个 m(可能有多个，那就找到最大的那个) 使得next[m] = j - 1 ，且有P[j - 1] = P[i + 1]。又因为P[0 : k - 1] = P[i - k + 1 : i]，j <= k，即P[i - k + 1 : i]包含P[i + 1 - j + 1 : i]，所以P[i + 1 - j + 1 : i]是P[i - k + 1 : i]的后缀，所以P[i + 1 - j + 1 : i]也是P[0 : k - 1]的后缀，P[0 ：j - 2]是P[0 : k - 1]的前缀，所以P[i + 1 - j + 1 : i]和P[0 ：j - 2]一定是P[0 : k - 1]的公共前后缀。一个字符串有多个公共前后缀和一个真前后缀(最大公共缀)，那么这些公共前后缀一定也是这个真前后缀字符串的公共前后缀，证明思路与上述证明过程雷同。所以这就提供了一个思路，如果P[k] != P[i + 1]，我们先检索当前已匹配的字符串的最大公共前后缀，然后判断其前缀后面的一个字符是否和P[i + 1]相等，如果相等就按照第一步来，如果不等，就继续找这个前缀的最大公共前后缀(第二大的公共前后缀)，依次循环下去，直到出现相等的情况或者前后缀长度为0的情况(next[i + 1] = 0)。