Suffix Array

[size=large]Suffix Array[/size]
最近在做模式匹配方面的东西，看了一些关于后缀数组的资料。后缀数组真的很巧妙很博大精深，在字符串方面的应用很广，基本可以应付绝大部分的字符串处理：文本匹配，文本压缩(bwt)，文本索引等等。
后缀数组的资料很多啦，简单说说自己的理解吧

[size=medium]关于匹配[/size]
把字符串切成后缀（suffix），然后排序。由于是有序的，如果想匹配字符串，简单一点的方法是：二分搜索
ex：在字符串"atgc"查找模式"tg"
1.input：text="atgc"，pattern="tg"
2.切后缀：suffix[0]="atgc",suffix[1]="tgc",suffix[2]="gc",suffix[3]="c"
3.排序："augc" < "c" < "gc" < "tgc"
4.二分搜索："tg"和"gc"比较，"tg" > "gc", "tg"和"tgc"比较，匹配，"tg"在suffix[1]被找到，也就是在text的下标1处匹配成功

上面这个是比较直观简单的方法，而事实上，由于后缀是排好序的，也就是说：具有相同前缀的后缀一定排在一起。如果模式和后缀i(suffix[i])的前k个字符相同，但是第k+1字符不同，导致匹配失败，如果按照二分思想，那么模式后会和suffix[i]比较大小，然后决定是以suffix[i]为起点还是为终点的区域进行搜索，下一次尝试匹配的点离suffix[i]比较远，而事实上答案应该离suffix[i]很近才对，因为和模式的前k个字符一样的后缀和suffix[i]后缀排在一起。

ex：在后缀aa，ab，ac，ad，ae，af，ag，af，ccccccca，cccccccbaa，ta，tb，tc，td，te，tf，tg搜索cccccccb。先尝试跟ccccccca，然后跟tc比，然后跟ta比，最后跟cccccccbaa，匹配成功，比了很多次，殊不知答案就在第一次比的ccccccca附近

如果要更快速的搜索到结果，有一个很好的数据结构叫后缀树，利用这棵树就可以避免刚才二分搜索的那种尴尬了，其实本质上这棵后缀树也是分治的思想，只不过这棵树不止二分，这棵树可以多分，当前节点有多少子树就可以多少分，然后选择最适合的子树往下搜索，这样就快很多了。

但是后缀树有一个缺点就是很费空间。那么能不能用后缀数组来实现这样的功能呢，当然是可以的，那就是增强后缀数组(enhanced suffix arrays)。增强后缀数组能模拟后缀树的大部分的结构，所谓增强后缀数组就是在后缀数组的基础上加了一些额外的信息，那就是child table。这个child table包括up，down，和next域，通过这些域就可以模拟后缀树的树形结构，请参考[url]http://veronika.platon.sk/projekty/Vyhladavanie_v_texte_referat.pdf[/url]。

[size=medium]关于构造[/size]
那么如何构造后缀数组呢，这个可以参考许智磊和罗穗骞论文，不过现在有出现了好多不同的构造算法，请参考[url]http://www.techfak.uni-bielefeld.de/~stoye/cpublications/alenex2005final.pdf[/url]，这里面有一个不同算法的比较。当然这些算法比较高深，小弟不才，自认为肯定看不懂O(∩_∩)O~，所以也没去怎么看算法怎么去搞，所幸的是，有开源的代码可以参考[url]http://labs.carrotsearch.com/jsuffixarrays.html[/url]，这个项目提供了很多的构造后缀数组的java源码，大家可以参考一下。