模式匹配003: KMP

1. 概述

KMP算法是Knuth、Morris、Pratt在1977年提出的一种基于前缀的匹配算法。该算法通过预处理模式计算得到前缀函数π，π包含有模式自身位移进行匹配的信息，这些信息可避免朴素字符串搜索中的无用位移测试，安全的一次步进多个位移，进而减少匹配次数。KMP算法的核心是计算得到前缀函数π，得到π函数之后的搜索过程，反而显得很简单。，KMP算法总体具有线性时间复杂度，其中预处理阶段为 O(m)，搜索阶段的最坏和平均时间复杂度均为 O(n)，总时间复杂度为 O(n+m)。

2. 前缀函数 Π

先假设已经读入Text[i..i+k] 处长度为k (k>=0) 的字符串u与模式串前缀匹配，并且文本字符串i+k+1处字符α与模式字符串k+1处字符β失配。如下图Figure-01所示。

此时最简单的处理方案是将搜索窗口向右移动一位，再次从模式串第一个字符开始比对。Brute Search便是采用上述方法实现，类似这样的方式没有充分利用已经匹配过的字符信息。KMP算法通过预先处理模式，可以充分利用已成功匹配的信息，减少匹配次数，其预处理时间复杂度为O(m)，搜索阶段时间复杂度为O(n)，总时间复杂度为O(m+n)。

 

KMP算法的原始思想源于Morris and Pratt的论文 [MP70]，如下(参考图Figure-02)：
    • 对于模式的每个前缀u预先计算最长边界b(u)。
    • 在当前文本位置，设u是p的最长前缀，同时也是t1…ti的后缀。读入文本字符σ = ti+1。如果σ = p∣u∣+1，此时最长前缀是up∣u∣+1。但是如果σ ≠ p∣u∣+1，比较σ与p∣b(u)∣+1，如果σ = p∣b(u)∣+1，则b(u)p∣b(u)∣+1是新的p的最长前缀，同时也是t1…ti ti+1的后缀。如果σ ≠ p∣b(u)∣+1，比较σ = p∣b(b(u))∣+1，并循环，直到σ的一个边界或者没有任何边界(空边界)，此时新的最长前缀为空字符串。

Knuth提出了一个改进。如果σ = ti+1和p∣u∣+1匹配失败，则u的边界的任何后续字符不能等于p∣u∣+1否则和σ不匹配。因此在预处理阶段，对于p的每个真前缀u (p = uw, w ≠ ∊)，可以预先计算最长边界v使得p∣u∣+1 ≠ p∣v∣+1。(如同中所示即为γ≠β。)
我们可以用数学语言描述前缀函数π[q] = max { k: k < q and pk⊐ pq }
可见，为了得到前缀函数π，需要对于模式P的每个前缀u计算最长边界max{b(u)}，使得p∣u∣+1 ≠ p∣v∣+1。当逐字符读入模式p1…pm，并计算p1…pi的最长边界时，事实上需要计算的最长后缀pj…pi (1≤j≤i) 也是p的前缀。因此，我们可以将KMP算法应用于其本身。KMP的预处理阶段可由KMP来完成，其时间复杂度为O(m) 。

 

3. 匹配过程

得到前缀函数π之后，从左到右扫描文本串T进行匹配。假定当前P[1..j]和T[i-j..i]匹配，继续检测T[i+1]和P[j+1]，此时分两种情况：
    • T[i+1]=P[j+1]。令i=i+1，j=j+1。如果j等于模式串长度，则匹配成功返回；如果i等于文本串长度，则匹配失败返回；否则 继续执行下次比较。
    • T[i+1]≠P[j+1]。按照如下循环过程执行匹配检测(循环结束后，让模式串的位置标记j=k)：
      1. 令k=π[j]，如果k=1则结束循环。
      2. 由前缀函数的特性，可知P[1..k]⊐P[1..j]。由于T[i-j..i]和P[1..j]匹配，因此P[1..k]和T[i-k..i]匹配，可以直接进行P[k+1]和T[i+1]的匹配检测。
      3. 如果P[k+1]= T[i+1]，则结束循环；否则继续执行1。
      如下Figure-03展示了某此失配后的处理。注意，需要迭代处理一直到P[k+1]=T[i+1]或者k=1。

KMP 算法在搜索阶段，最坏和平均时间复杂度都是 O(n)。

 

4. 实现代码
实现代码分三部分：
yc_kmp_init:  生成前缀函数π
yc_kmp_find: 匹配过程
yc_strstr_find: 封装strstr一致接口。
对于多次搜索某确定模式的问题，一般会生成前缀函数一次并保存，然后直接调用yc_kmp_find实现，这样可以省去多次计算同一前缀函数的问题。

void YC_PUBLIC_CALLTYPE yc_kmp_init(const char *str_patn, size_t sz_patn, size_t *psz_table) { size_t i, j; assert ( str_patn ); psz_table[0] = 0; for ( i = 1, j = 0; i < sz_patn; ++i ) { while ( j && str_patn[j] != str_patn[i] ) { j = psz_table[j-1]; } if ( str_patn[j] == str_patn[i] ) { ++j; } psz_table[i] = j; } } char * YC_PUBLIC_CALLTYPE yc_kmp_find(const char *str_text, size_t sz_text, const char *str_patn, size_t sz_patn, const size_t *psz_table ) { size_t i, j; assert( str_text && str_patn && psz_table ); for ( i = 0, j = 0; i < sz_text; ++i ) { while ( j && str_text[i] != str_patn[j] ) { j = psz_table[j - 1]; } if ( str_text[i] == str_patn[j] ) { ++j; if ( sz_patn == j ) { return (char*)str_text + i + 1 - sz_patn; } } } return NULL; } char * YC_PUBLIC_CALLTYPE yc_strstr_kmp(const char *str_text, const char *str_patn) { char *str_rtn = NULL; size_t sz_patn, sz_text; assert( str_text && str_patn ); sz_patn = strlen(str_patn); sz_text = strlen(str_text); if ( sz_patn && sz_text ) { size_t *psz_table = (size_t*)malloc(sizeof(size_t)*sz_patn); if ( psz_table ) { yc_kmp_init(str_patn, sz_patn, psz_table); str_rtn = yc_kmp_find(str_text, sz_text, str_patn, sz_patn, psz_table); free(psz_table); } else { str_rtn = (char*)strstr(str_text, str_patn); } } return str_rtn; }

 

5. 结束语
感谢您阅读本文，您可以任意转载、更改、或者本文的任意部分用于任何用途（包括商业用途）。转载请注明出处。
欢迎指出BUG、缺陷及相关问题。十分感谢。

您也可以到我的下载资源下载PDF格式的文档。