数据结构之串(字符串)

串的相关术语

串也是一种特殊的线性表。栈和队列是一种操作受限的线性表，而这里的串是一种内容受限的线性表，规定串里面的内容只能是字符。

• 串：零个或多个任意字符组成的有限序列，例如，
  $$\underset{(串名)}{\underbrace{\mathrm{s}}}="\underset{(串值)}{\underbrace{a_1{a}_2\cdots a_n}}”(\underset{(串长)}{\underbrace{n}}\ge 0)$$
  空串：n=0，空串用$\varphi$表示。

• 子串：串中任意个连续字符组成的子序列(含空串)称为该串的子串，例如，
  $$“abcde”的子串有：“”、“a”、“ab”、“abc”、“abcd”和“abcde”等$$
  真字串：不包含自身的所有子串。

• 主串：包含子串的串相应的称为主串。

• 字符位置：字符在序列中的序号为该字符在串中的位置。

• 子串位置：子串第一个字符在主串中的位置。

• 空格串：由一个或多个空格组成的串，与空串不同。

• 串相等：当且仅当两个串的长度相等并且各个对应位置上的字符都相同时，这两个串才是相等的。所有空串都是相等的。

例如，字符串a、b、c、d
a=‘BEI’
b=‘JING’
c=‘BEIJING’
d=‘BEI JING’

则，
它们的长度是：3 4 7 8
c的子串有：a b
d的子串有：a b
a在c中的位置：1(从1开始计数)
a在d中的位置：1
b在c中的位置：4
b在d中的位置：5

串的类型定义和存储结构

串的抽象类型定义为;
ADT String
{
     数据对象： D = { a i ∣ a i ∈ C h a r a c t e r S e t , i = 1 , 2 , . . . , n , n ≥ 0 } D=\{a_i|a_i \in CharacterSet,i=1,2,...,n,n\geq 0 \} D={ai​∣ai​∈CharacterSet,i=1,2,...,n,n≥0}
     数据关系： R = { &lt; a i − 1 , a i &gt; ∣ a i − 1 , a i ∈ D , i = 1 , 2 , . . . , n } R=\{&lt;a_{i-1},a_i&gt;|a_{i-1},a_i \in D,i=1,2,...,n\} R={<ai−1​,ai​>∣ai−1​,ai​∈D,i=1,2,...,n}
     基本操作： 有串赋值，串比较等操作。
}ADT String

串的存储结构

• 串的顺序存储结构：顺序串
  其类型定义如下：

#define MAXLEN 255          //串的最大长度
typedef struct
{
	char ch[MAXLEN + 1];    //存储串的一维数组，下标从0带到255
	int length;             //串的当前长度
}SString;

后面为了方便起见，一般字符数组的0号位闲置不用，从1号位开始存储，即下标从1开始计数。

• 串的链式存储结构：链串
  按照常规单链表的方式，其结构如下图，
  
  这种链串结构有很明显的缺点：存储密度低。
  说明一下，一个字符在内存中占1个字节，而指针域占4个字节，所以其存储密度只有0.2。

在链串中，可以将多个字符放在一个结点中，以克服其存储密度低的缺点——块链结构，如下图所示，

这里的块的大小可由用户定义。
块链结构的类型定义如下：

#define CHUNKSIZE 80      //块的大小可由用户定义
typedef struct Chunk
{
	char ch[CHUNKSIZE];
	strcat Chunk* next;
}Chunk;


typedef struct
{
	Chunk *head, *tail;   //串的头指针和尾指针
	int curlen;           //串当前的长度
}LString;                 //字符串的块链结构

串的匹配算法

算法目的：确定主串中所含子串第一次出现的位置(定位)。
算法种类：

• BF算法(Brute-Force)
• KMP算法(特点：速度快)

BF算法

BF算法((Brute-Force)又称作简单匹配算法，采用穷举法的思路。

下面举例说明： 现有一主串(正文串)S和一子串(模式串)T,
$$\begin{gathered} S:aaaaab，n=6 \\ T:aaab,m=4 \end{gathered}$$
算法思路是将S中的每一个字符开始依次与T中的字符进行匹配。

其匹配过程如下：
1.
$$\begin{array}{l}S:\underset{(匹配字符)}{\underbrace{\stackrel{\downarrow i}{a}aaa}}ab\\ \\ T:\underset{\uparrow j}{a}aab\end{array}$$

i从1开始，往后m个字符逐个与T中的字符相匹配。

2.若i=1匹配失败，则把i的初始位置往后移一位，i=2开始，如下图
$$\begin{array}{l}S:a\underset{(匹配字符)}{\underbrace{\stackrel{\downarrow i}{a}aaa}}b\\ \\ T:\underset{\uparrow j}{a}aab\end{array}$$

当i=1匹配失败时，此时i指向的是第4个字符，j指向T中第4个字符的，此时怎么让i回到2，这里采用回溯的方法,i和j的值为：

i=i-j+2;    //回溯
j=1；      //从头开始

3.从i=2开始也匹配失败，继续回溯，

$$\begin{array}{l}S:aa\underset{(匹配字符)}{\underbrace{\stackrel{\downarrow i}{a}aab}}\\ \\ T:\underset{\uparrow j}{a}aab\end{array}$$

此时，可以看到当从i=3开始时，匹配成功，此时的 i=7.j=5,返回值为i-t.length=3。

这个算法的思路如下：
Index(S,T,pos)，这里的pos表示从主串的第pos个字符开始比较

• 将主串的第pos个字符和模式串的第一个字符比较；
• 若相等，继续逐个比较后续字符；
• 若不等，从主串的下一个字符起(回溯)，重新与模式串的第一个字符比较。
• 直到主串的一个连续子串字符序列与模式串相等。返回值为S中与T匹配的子序列第一个字符的序号，即匹配成功。
• 否则，匹配失败，返回0。

算法描述：

int Index_BF(SString S, SString T)
{
	int i = 1, j = 1;
	while (i <= S.length&&j <= T.length)
	{
		if (S.ch[i] == T.ch[j])     //主串和子串依次匹配下一个字符
		{
			++i;
			++j;
		}
		else
		{
			i = i - j + 2;          //主串、子串指针回溯重新开始下一次匹配
			j = 1;
		}
	}
	if (j >= T.length)
		return i - T.length;        //返回匹配的第一个字符的下标
	else
		return 0;                   //模式匹配不成功
}

BF算法的时间复杂度：
若n为主串的长度，m为子串的长度，

• 最好的情况是，不用回溯，则一共比较了m次，时间复杂度为$O(m)$。
• 最坏的情况是，主串前面的n-m个位置都部分匹配到子串的最后一位，即，这n-m位比较了m次，另外随后m位也各比较了一次，
  $$总次数为：(n-m)\ast m+m=(n-m+1)\ast m$$
  若$m<<n$，则该算法复杂度为$O(n\ast m)$。

总的平均复杂度为$O(n\ast m)$。

KMP算法

KMP算法由D.E.Knuth、J.H.Morris和V.R.Pratt共同提出的，简称KMP算法。

与BF算法相比，它的运算效率更高，主要体现在两个方面：

• 主串S的指针i不必回溯；
• 它利用已经部分匹配的结果从而加快模式串的滑动速度，即子串的指针j不用每次都从头开始比较。

针对第一点，如下图所示，

当匹配失败时，指针i不用回溯到2，而是从匹配失败的位置开始，即上图中i=3的字符a开始，再往后比较。

针对第二点，如下图所示，

上图中，T里的第1个和第4个字符相同，都是a，此时的j就从第2个元素开始(因为此时第1个元素a已经匹配好了)逐个向后比较；
那么，对于j的下一个位置，这里可以用一个数组next[j]来存储。

next[j]数组
next数组表明模式串中第j个字符与主串中相应字符“失配”时，在模式串中需重新和主串中该字符进行比较的字符的位置。

其计算方法如下，

n e x t [ j ] = { max ⁡ { k ∣ 1 &lt; k &lt; j , p 1 ⋯ p k − 1 ⏞ ( 从 头 开 始 的 k − 1 个 元 素 ) = p j − k + 1 ⋯ p j − 1 ⏞ ( j 前 面 的 k − 1 个 元 素 ) } 0 &ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace; 当 j = 1 时 1 &ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace;&ThickSpace; 其 他 情 况 next[j] = \left\{ {\begin{array}{l} {\max \{ k|1 &lt; k &lt; j,\overbrace {{p_1} \cdots {p_{k - 1}}}^{(从头开始的k-1个元素)} = \overbrace {{p_{j - k + 1}} \cdots {p_{j - 1}}}^{(j前面的k-1个元素)}\} }\\ {0\;\;\;\;\;\;\;\;\;\;\;当j = 1时}\\ {1\;\;\;\;\;\;\;\;\;\;\;其他情况} \end{array}} \right. next[j]=⎩⎪⎪⎨⎪⎪⎧​max{k∣1<k<j,p1​⋯pk−1​ ​(从头开始的k−1个元素)​=pj−k+1​⋯pj−1​ ​(j前面的k−1个元素)​}0当j=1时1其他情况​

例子如下：

j	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
模式串	a	b	c	a	a	b	b	c	a	b	c	a	a	b	d	a	b
next[j]	0	1	1	1	2	2	3	1	1	2	3	4	5	6	7	1	2

KMP算法描述：

int Index_KMP(SString S, SString T, int pos)
{
	int i = pos, j = 1;
	while (i <= S.length&&j <= T.length)
	{
		if (S.ch[i] == T.ch[j])    
		{
			++i;
			++j;
		}
		else
			j = next[j];            //i不变，j后退
	}
	if (j >= T.length)
		return i - T.length;        //返回匹配的第一个字符的下标
	else
		return 0;                   //模式匹配不成功
}

next[j]数组的求法描述：

void get_next(SString T, int& next[])
{
	i = 1;
	next[1] = 0;
	j = 0;
	while (i < T.length)
	{
		if (j == 0 || T.ch[i] == T.ch[j])
		{
			++i;
			++j;
			next[j] = j;
		}
		else
			j = next[j];
	}
}

next[j]数组的改进
对于某些特殊情况，如下图，

其next数组为，

但在这里，因为模式串p中由好几个元素一样，所以j指针的位置如果继续用next数组里的值，就会不合适，这里对next函数进行一个修正，修正过的值存在nextval数组里，修正方法如下图，

nextval数组的求法描述为:

void get_nextval(SString T, int& nextval[])
{
	i = 1;
	nextval[1] = 0;
	j = 0;
	while (i < T.length)
	{
		if (j == 0 || T.ch[i] == T.ch[j])
		{
			++i;
			++j;
			if (T.ch[i] != T.ch[j])
				nextval[i] = j;
			else
				nextval[i] = nextval[j];
		}
		else
			j = nextval[j];
	}
}

这里，KMP算法的复杂度为$O(n+m)$。