KMP模式匹配

KMP模式匹配可以避免许多重复比较，而且可能一次把模式串向右移动多个位置，而不是只移动一个位置。这样在匹配过程中完全不需要回头检查正文串已经过去的东西。无回溯匹配算法对联机匹配工作特别适用，例如一个系统在计算中每次从外部得到正文的一个字符，依次进行匹配。除了外存文件信息的匹配问题就属于这一类。

 

基本概念：

模式匹配是对字符串的一种非常重要的操作，假设被匹配的正文字符串是text，模式串是pattern，则模式匹配的任务就是在text中找出所有的pattern，给出pattern在text中的位置。

例如：text是“cdghcdghhcdr”，pattern是“cd”，则答案是0，4，9（下标计数从0开始）

简单字符匹配：

       第1轮：

用pattern的第1个字符与text的第1个字符比较，不等就结束，相等就

用pattern的第2个字符与text的第2个字符比较，不等就结束，相等就……

第2轮：

用pattern的第1个字符与text的第2个字符比较，不等就结束，相等就

用pattern的第2个字符与text的第3个字符比较，不等就结束，相等就……

……

这种做法非常直观，实际上就是把模式串pattern放到正文text的各个位置逐一匹配，假设text、pattern的长度分别是m、n，则上述做法总共有m轮，每一轮比较n次，所以该算法的时间复杂性是O(mn)。

 

KMP模式匹配：

       简单匹配法在一次字符比较失败后，只是向前移动一个位置，丢掉了由前面已做过的字符匹配的信息，当模式串pattern后面部分与前面部分有重复（匹配）时，一次可以移动多个位置。

考虑如下例子：

表1

位置             0    1    2     3     4     5     6      7      8      9      10

正文字符串    c     a    g     a     c     a     g      a      c       a       g      a       t        a

模式                    a    g     a     c     a     g      a      t       a
   
 

模式pattern后面有aga（第4到第6）与最前面aga（第0到第2）重复（匹配）

位置0不匹配，从位置1开始，匹配在正文text的第8个位置失败，如表2：

表2

位置             0    1    2     3     4     5     6      7      8      9      10

正文字符串    c     a    g     a     c     a     g      a      c       a       g      a       t       a

模式                    a    g     a     c     a     g      a      t       a

模式移动                                        a     g      a      c       a        g      a      t       a

 

因为已经知道了pattern第4到第6个字符与最前面第0到第2个字符匹配，所以下面的匹配过程直接移动4个位置，并且用pattern的第3个字符与text的第8个字符开始比较，如表3。

表3

位置             0    1    2     3     4     5     6      7      8      9      10

正文字符串    c     a    g     a     c     a     g      a      c       a       g      a       t       a

模式移动                                        a     g      a      c       a        g      a      t       a   
 

实现kmp算法，需要一个临时数组存放支持匹配过程的有关信息，这个数组称为前缀数组，它是一个整数数组，大小等于模式串pattern的长度，前缀数组不妨定义为prefix[i]，设prefix[i]==j，则prefix[i]表示从模式串pattern的第i个位置（包括i）开始倒数共j个字符，这段字符与pattern的最开始j个字符相同。prefix[i]称为前缀计数（也可以叫它匹配长度），它也可以认为从模式串pattern[i]（包括pattern[i]）开始倒数到pattern[1]的范围内可匹配的长度。注意，这个倒数的范围不能到第 0 个位置，否则所有的prefix[i]=i+1。如表4。

表4

位置 i           0    1    2     3     4     5     6      7      8      9      10     11     12     13      14       15

前缀 prefix[i]  0    0    0     0     1     2     3      1      2      3       4       5       6       7        4         0

模式             a    g    c      t     a     g     c       a     g       c        t       a       g       c         t         a

                                             a     g     c       t     a       g       c       a       g       c        t         a

                                                                   a      g       c       t       a       g       c         a         g

                                                                                                     a       g       c         t          a
 

例如，从表4可知，prefix[14]倒数的范围应该是从prefix[14]到prefix[1]，逐一判断是否与最开始的1、2、3…14个字符相同，最终的结果是4，即prefix[14]==4，表示从位置14开始（包含14），倒数4个字符（即agct）与pattern最开始的4个字符相同。实际的处理中，无需判断14次那么多，我们后面的算法中可看出来。

前缀数组的作用是指出当前字符匹配出现失败时如何处理。例如在表4中当匹配在模式串pattern的第10个位置失败时，prefix[9]==3告诉我们在模式串pattern的第10个位置之前的匹配有3个字符（其实就是第7到第9）与最前面的3个字符匹配，因此可以从模式串pattern中的第4个字符（就是pattern[3]，即t）开始比较下去。

 

下面重点考虑前缀数组prefix的初始化，这个乃是KMP的精华所在啊，很多人对kmp的不理解也就在这个地方。

首先，显然有prefix[0]=0；假设字符数组模式串pattern的长度为patlen，下面先给出代码1：

代码1：

prefix[0]=0;

for(int i=1; i<patlen; i++)

{

       int k=prefix[i-1];

       while( pattern[i] != pattern[k]  &&  k!=0 )

              k=prefix[k-1];

       if( pattern[i] == pattern[k])

              prefix[i]=k+1;

       else

              prefix[i]=0;

}

假设现在要设置prefix[i]的值，有两种情况：

情况1：对应字符互相匹配，prefix[i]的值可在prefix[i-1]的基础上加1；

情况2：对应字符不匹配，不能在原有基础上加1，需确定新的前缀计数。注意，新的前缀计数不一定是从0或1开始计数，例如表4中prefix[14]是从4开始新的前缀计数。

按照如上分析，貌似代码应该写成如下形式：

代码2：

prefix[0]=0;

for(int i=1; i<patlen; i++)

{

       int k=prefix[i-1];

       if( pattern[i] == pattern[k])

              prefix[i]=k+1;

       else

              其它处理;

}

 

例如表4中处理到prefix[14]时，发觉prefix[13]的前缀计数是7，就用pattern[14]与pattern[7]（即pattern[k]）进行比较，相同则prefix[14]=7+1，不同就做其它处理。这样写代码也可以，但是后面的“其它处理”同样有pattern[i] 与pattern[k]的比较，写起来反而复杂。

现在重点分析代码1，主要是里面的while循环较难理解。

while有2种走法：

第一种：一开始就有pattern[i] == pattern[k]，也就是情况1里的对应字符互相匹配，然后流程就进入后面的if，前缀计数加1，这种情况最易理解。

第二种：一开始pattern[i] != pattern[k]，表示前缀计数不能加1，需重新计数，令k=prefix[k-1]，这里使用了一个技巧。

以表4中prefix[14]为例（此时i=14），prefix[13]==7表示前缀计数为7，或者说从pattern[13]开始倒数7个字符（包括pattern[13]）与最开始的7个相同，即：

pattern[7]到pattern[13]  与

pattern[0]到pattern[6]   相同

下面就要判断

pattern[7]到pattern[14]  是否与

pattern[0]到pattern[7]   相同？ 因为pattern[14]!=pattern[7]，这表示，前缀计数为8是不可能的了。下面需确定新的前缀计数，不管新的前缀计数是多少，它都必须从pattern[14]开始倒数x个字符（包括pattern[14]）来判断是否与最开始的x个字符相同。而x的取值范围并不是从1到13，也就是说并不需要从pattern[14]倒数到pattern[1]。要从pattern[14]开始倒数，也可以先看看pattern[13]开始倒数能有多少个字符与最开始的相同，只是此时倒数的极限是pattern[8]（即只能数7-1=6个字符来判断，如果数到pattern[7]，将变成prefix[13]，那么又要判断前缀计数能否是8了），同时，我们发现

pattern[7]到pattern[13]  与

pattern[0]到pattern[6]   相同

从pattern[13]开始倒数到pattern[8]与从pattern[6]倒数到pattern[1]是等价的，而从pattern[6]倒数到pattern[1]的前缀计数prefix[6]早已求出。

因此：从pattern[14]开始倒数，等于从pattern[13]开始倒数prefix[13]-1个字符的前缀计数（暂记为p，这个前缀计数等于prefix[ prefix[13]-1 ]，都是倒数prefix[13]-1个字符，早已求出），再比较pattern[14]与pattern[p]，相同，退出while循环，那么pattern[14]的前缀计数就是p+1；如果不相同，那么while循环继续，倒数p-1个字符，递归处理。

下面总结一下并向代码1的符号靠拢：要计算prefix[i]，先赋值k=prefix[i-1]，当pattern[i] != pattern[k]时，表示prefix[i]要重新确定前缀计数，这个前缀计数等于从pattern[i-1]开始倒数k-1个字符（数到pattern[i-k+1]）范围内所得的前缀计数（因为pattern[i-k]到pattern[i-1]刚好等于pattern[0] 到pattern[k-1]，而从pattern[k-1]数到pattern[1]范围内的前缀计数早已求出，就是prefix[k-1]），重新赋值给k，然后再次比较pattern[i]与pattern[k]，如果仍然不相等，则从pattern[i-1]开始倒数k-1个字符（此时的k是新的值），同理，前缀计数等于prefix[k-1]，循环直至pattern[i]与pattern[k]相同或k==0；最后，总的前缀计数等于新的前缀计数再加上判断pattern[i]与pattern[k]的计数，相等则为k+1，不相等为k（此时k必为0）。

 

int k=prefix[i-1];// 先赋值k=prefix[i-1]

/

while( pattern[i] != pattern[k]  &&  k!=0 )// pattern[i] != pattern[k]时

              k=prefix[k-1];// 前缀计数等于…所得的前缀计数…就是prefix[k-1], 重新赋值给k

然后再次比较pattern[i]与pattern[k]，如果仍不等，则从pattern[i-1]开始倒数k-1个字符（此时的k是新的值），同理，前缀计数等于prefix[k-1]，循环直至pattern[i]与pattern[k]相同或k==0；

/    

//总的前缀计数等于新的前缀计数再加上判断pattern[i]与pattern[k]的计数

//相等则为k+1，不相等为k（此时k必为0）。

if( pattern[i] == pattern[k])

              prefix[i]=k+1;

       else

              prefix[i]=0;

 

写下这些，我基本上明白了，但就这么简单的几句代码，我绞尽脑汁却无法把它描述得更简单。事实上，精华就是一句话：假设前一个前缀计数是p，新的前缀计数是q，则q必然不能超过p，或者说，新的前缀必须是前一个前缀的前缀，因此，只需从前一个前缀的倒数位置（即当前位置的前一个位置）开始倒数p-1个字符来判断就可以了，而从前一个前缀的倒数位置开始倒数p-1个字符效果等同于从p-1位置开始倒数p-1个字符来判断，即q= prefix[p-1]，天呀，这句精华怎么还是这么长？

再讲述一下表4的例子：

prefix[7]：因为prefix[6]=3，因此要判断前缀计数是否为4，即判断pattern[3]与pattern[7]是否相同，结果不同，于是从pattern[6]开始倒数prefix[6]-1=2个字符，即倒数pattern [6]、 pattern [5]，它的效果与从pattern [prefix[3-1]]开始倒数2个字符，即倒数pattern [2]、 pattern [1]是一样的，而从pattern [prefix[3-1]]开始倒数的前缀计数就是prefix[3-1]，这个是前面计算的结果，就是0，再判断pattern [0]与pattern[7]，结果相同，于是prefix[7]=1；

prefix[14]：和上面类似，要判断前缀计数是否为8，先判断pattern[7]与pattern[14]不同，于是从pattern[13]开始倒数prefix[13]-1=6个字符，效果等同从pattern[6]开始倒数6个字符所得到的前缀计数，即prefix[6]=3，然后判断pattern[3]与pattern[14]相同，于是prefix[14]=4；

prefix[15]：要判断前缀计数是否为5，先判断pattern[4]与pattern[15]不同，于是从pattern[14]开始倒数prefix[14]-1=3个字符，效果等同从pattern[3]开始倒数3个字符所得到的前缀计数，即prefix[3]=0，然后判断pattern[0]与pattern[15]不同，此时代码1中的k==0，于是prefix[15]=0。

 

 

 

以下给出完整源代码：

#include <iostream>

using namespace std;

//求字符串长度

int CharLen(const char *Text)

{

     if( !Text )

         return -1; //空指针返回-1。

     int len=0;

     const char * c=Text;

     while(*c++!='/0')

     {    

         ++len;//字符串长度。

     }

     return len;

}

//设置前缀数组

void SetPrefix(const char *Pattern, int prefix[])

{

     int len=CharLen(Pattern);//模式字符串长度。

     prefix[0]=0;

     for(int i=1; i<len; i++)

     {

         int k=prefix[i-1];

         while( Pattern[i] != Pattern[k]  &&  k!=0 )

              k=prefix[k-1];

         if( Pattern[i] == Pattern[k])

              prefix[i]=k+1;

         else

              prefix[i]=0;

     }

}

//KMP模式匹配

int KMP(const char *Text,int pos,const char* Pattern)

{

     if( !Text||!Pattern|| Pattern[0]=='/0'||Text[0]=='/0' )

         return -1; //空指针或空串，返回-1。

    

     int Patternlen=CharLen(Pattern); //模式字符串长度。

     int *prefix=new int[Patternlen+1];

 

     SetPrefix(Pattern,prefix); //求Pattern的前缀数组

 

     int Textlen=CharLen(Text);

     int patp=0; //模式中的位置

     for(int i=pos;i<Textlen;i++)

     {

          while(patp>0 && Pattern[patp]!=Text[i])

              patp=prefix[patp-1] ; //第patp个位置与Text[i]不同，则可从prefix[patp-1]这个位置开始比较

                                 //而不需要直接从模式串的第个位置开始比较

         if(Pattern[patp]==Text[i]) //模式串与正文中的一个字符相匹配

         {

              //匹配长度加后判断是否等于模式串的长度，若等于则返回相应的位置

              if(++patp==Patternlen)

              {

                   return i-Patternlen+1;

              }

         }

     }

     delete []prefix;

     prefix=0;

     return -1;

}

 

 

int _tmain(int argc, _TCHAR* argv[])

{

     char *text="cabcdabcabcdaababcbaaabcdabcabcaabc";

    char *pattern="abcdabcab";

     int pos=-1;

     do

     {

         pos=KMP(text,pos+1,pattern);

         cout<<pos<<'/n'<<endl;

     }while(pos!=-1);

 

     return 0;

}