注：本文大致翻译自EXACT STRING MATCHING ALGORITHMS，去掉一些废话，增加一些解释。
一、简介
文本信息可以说是迄今为止最主要的一种信息交换手段，而作为文本处理中的一个重要领域——字符串匹配，就是我们今天要说的话题。（原文还特意提及文本数据数量每18个月翻一番，以此论证算法必须要是高效的。不过我注意到摩尔定律也是18个月翻番，这正说明数据的增长是紧紧跟随处理速度的，因此越是使用高效的算法，将来待处理的数据就会越多。这也提示屏幕前的各位，代码不要写得太快了……）
字符串匹配指的是从文本中找出给定字符串（称为模式）的一个或所有出现的位置。本文的算法一律输出全部的匹配位置。模式串在代码中用x[m]来表示，文本用y[n]来，而所有字符串都构造自一个有限集的字母表Σ，其大小为σ。
根据先给出模式还是先给出文本，字符串匹配分为两类方法：
· 第一类方法基于自动机或者字符串的组合特点，其实现上，通常是对模式进行预处理；
· 第二类方法对文本建立索引，这也是现在搜索引擎采用的方法。
本文仅讨论第一类方法。
文中的匹配算法都是基于这样一种方式来进行的：设想一个长度为m的窗口，首先窗口的左端和文本的左端对齐，把窗口中的字符与模式字符进行比较，这称为一趟比较，当这一趟比较完全匹配或者出现失配时，将窗口向右移动。重复这个过程，直到窗口的右端到达了文本的右端。这种方法我们通常叫sliding window。
对于穷举法来说，找到所有匹配位置需要的时间为O(mn)，基于对穷举法改进的结果，我们按照每一趟比较时的比较顺序，把这些算法分为以下四种：
1. 从左到右：最自然的方式，也是我们的阅读顺序
2. 从右到左：通常在实践中能产生最好的算法
3. 特殊顺序：可以达到理论上的极限
4. 任意顺序：这些算法跟比较顺序没关系（例如：穷举法）
一些主要算法的简单介绍如下
从左到右
采用哈希，可以很容易在大部分情况下避免二次比较，通过合理的假设，这种算法是线性时间复杂度的。它最先由Harrison提出，而后由Karp和Rabin全面分析，称为KR算法。
在假设模式长度不大于机器字长时，Shift-Or算法是很高效的匹配算法，同时它可以很容易扩展到模糊匹配上。
MP是第一个线性时间算法，随后被改进为KMP，它的匹配方式很类似于自动机的识别过程，文本的每个字符与模式的每个字符比较不会超过logΦ(m+1)，这里Φ是黄金分隔比1.618，而随后发现的类似算法——Simon算法，使得文本的每个字符比较不超过1+log2m，这三种算法在最坏情况下都只要2n-1次比较。（抱歉限于我的水平这一段既没看懂也没能查证，大家就看个意思吧）
基于确定性有限自动机的算法对文本字符刚好只用n次访问，但是它需要额外的O(mσ)的空间。
一种叫Forward Dawg Matching的算法同样也只用n次访问，它使用了模式的后缀自动机。
Apostolico-Crochemore算法是一种简单算法，最坏情况下也只需要3n/2次比较。
还有一种不那么幼稚（Not So Naive）的算法，最坏情况下是n平方，但是预处理过程的时间和空间均为常数，而且平均情况下的性能非常接近线性。
从右到左
BM算法被认为是通常应用中最有效率的算法，它或者它的简化版本常用于文本编辑器中的搜索和替换功能，对于非周期性的模式而言，3n是这种算法的比较次数上界了，不过对于周期性模式，它最坏情况下需要n的二次方。
BM算法的一些变种避免了原算法的二次方问题，比较高效的有：Apostolico and Giancarlo算法、Turbo BM算法和Reverse Colussi算法。
实验的结果表明，Quick Search算法（BM的一个变种）以及基于后缀自动机的Reverse Factor和Turbo Reverse Factor算法算是实践中最有效的算法。
Zhu and Takaoka算法和BR算法也是BM的变种，它们则需要O(σ2)的额外空间。
特殊顺序
最先达到空间线性最优的是Galil-Seiferas和Two Way算法，它们把模式分为两部分，先从左到右搜索右边的部分，如果没有失配，再搜索左边的部分。
Colussi和Galil-Giancarlo算法将模式位置分为两个子集，先从左至右搜索第一个子集，如果没有失配，再搜索剩下的。Colussi算法作为KMP算法的改进，使得最坏情况下只需要3n/2次比较，而Galil-Giancarlo算法则通过改进Colussi算法的一个特殊情况，把最坏比较次数减少到了4n/3。
最佳失配和M最大位移算法分别根据模式的字符频率和首字位移，对模式位置进行排序。
Skip Search，KMP Skip Search和Alpha Skip Search算法运用“桶”的方法来决定模式的起始位置。
任意顺序
Horspool算法也是BM的一个变种，它使用一种移位函数，而与字符比较顺序不相干。还有其他的变种如：Quick Search算法，Tuned Boyer-Moore算法，Smith算法，Raita算法。
在接下来的章节中，我们会给出上面这些算法的实现。我们把字母表限定为ASCII码或者它的任意子集，编程语言用C，这就意味着数组索引是从0开始，而字符串以NULL结尾。
二、穷举与自动机
穷举法BF（Brute Force）
特点：
- 不用预处理
- 只需常数额外空间
- 每次把窗口向右移动1
- 可以以任意顺序比较
- 搜索时间复杂度O(mn)
- 字符比较期望次数为2n
穷举法又叫暴力法。大多数程序员眼里，它是幼稚的，但大师们不这么认为。
void int BF(char *x, int m, char *y, int n)
{
if ( x == '\0' || y == '\0' )
return -1;
int x_len = strlen( x );
int y_len = strlen( y );
if ( y_len < x_len )
return -1;
int i, j;
/* Searching */
for (j = 0; j <= n - m; ++j)
{
for (i = 0; i < m && x[i] == y[i + j]; ++i);
if (i >= m)
OUTPUT(j);
}
}#define EOS '\0'
void BF(char *x, int m, char *y, int n)
{
char *yb;
/* Searching */
for (yb = y; *y != EOS; ++y)
if (memcmp(x, y, m) == 0)
OUTPUT(y - yb);
}- builds the minimal deterministic automaton recognizing the language
*x; - extra space in O(m
) if the automaton is stored in a direct access table; - preprocessing phase in O(m) time complexity;
- searching phase in O(n) time complexity if the automaton is stored in a direct access table, O(nlog()) otherwise.
- #define ASIZE 256
- int preAut(const char *x, int m, int* aut) {
- int i, state, target, old;
- for (state = 0, i = 0; i < m; ++i) {
- target = i + 1;
- old = aut[state * ASIZE + x[i]];
- aut[state * ASIZE + x[i]] = target;
- memcpy(aut + target * ASIZE, aut + old * ASIZE, ASIZE*sizeof(int));
- state = target;
- }
- return state;
- }
- void AUT(const char *x, int m, const char *y, int n) {
- int j, state;
- /* Preprocessing */
- int *aut = (int*)calloc((m+1)*ASIZE, sizeof(int));
- int Terminal = preAut(x, m, aut);
- /* Searching */
- for (state = 0, j = 0; j < n; ++j) {
- state = aut[state*ASIZE+y[j]];
- if (state == Terminal)
- OUTPUT(j - m + 1);
- }
- }
i = 0 时，target=1，old=aut[0 + A] = aut[0] = 0，aut[0] = 1，memcpy( aut + 1 * 3, aut + 0 * 3, ... )，state = 1；
i = 1 时，target=2，old=aut[3 + B] = aut[4] = 0，aut[4] = 2，memcpy( aut + 2 * 3, aut + 0 * 3, ... )，state = 2；
i = 2 时，target=3，old=aut[6 + A] = aut[6] = 1，aut[6] = 3，memcpy( aut + 3 * 3, aut + 1 * 3, ... )，state = 3；
i = 3 时，target=4，old=aut[9 + B] = aut[10] = 2，aut[10] = 4，memcpy( aut + 4 * 3, aut + 2 * 3, ... )，state = 4；
i = 4 时，target=5，old=aut[12 + A] = aut[12] = 3，aut[12] = 5，memcpy( aut + 5 * 3, aut + 3 * 3, ... )，state = 5；
i = 5 时，target=6，old=aut[15 + C] = aut[17] = 0，aut[17] = 6，memcpy( aut + 6 * 3, aut + 1 * 3, ... )，state = 6；
i = 6 时，target=7，old=aut[18 + A] = aut[18] = 1，aut[18] = 7，memcpy( aut + 7 * 3, aut + 1 * 3, ... )，state = 7；按照以上步骤，可以自己一步一步画出上面的图。
参考：
扫一扫
523
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
