精确字符串匹配问题可以说是一个比较古老比较经典的问题了,也是字符串搜索技术的基础。最近看了一些关于字符串算法的书,比较经典的算法放上来,与大家分享。
精确字符串匹配的问题定义: 在文本串 T 中搜索与查询串 P 精确匹配的所有子串。
解决这个问题,最原始的方法就是在 T 中从头到尾,与 P 比一遍,把与 P 精确匹配的子串输出。这种做法的时间复杂度是 O(n*m),假设T的长度是 m , P 的长度是 n 。因为出现了很大数量的重复比较,所以效率比较低。
而 Zbox 算法中没有重复比较,时间复杂度做到了线性 O(n+m)。当然,这不是最好的,经典的 BM 算法可以做到时间复杂度低于线性,但是因为Zbox算法比较易懂而且是很多经典算法的基础,所以拿出来写一写,其实,线性已经不错了。
![](http://www.cublog.cn/images/face/022.gif)
Zbox 的意思:一个字符串 S ,它的子串 S[i..n], 用 Z[i] 表示 S[i..n] 与 S 精确匹配的最长前缀的长度。如:abcdabce ,Z[5] = 3。
如图 1:
1 2 3 4 5 6 7 8
a b c d a b c e
|___| |___|
zbox
那么如何把 S 中所有的 Z[i] 找出来呢?并且让它的时间是线性的。
如图 2:
|____|___|_____________|____|___|______|
1 22 31 100 121 130 n
k' |_g_|
k
Z[100] = 31,求 Z[121] = ?
可以看出,因为 Z[100] = 31, 所以 S[100..130] 与 S[1..31] 是相同的,显然 S[22..31] 与 S[121..130] 也是相同的。那么,是不是可以通过 Z[22] 来求 Z[121] 呢?
答案是,当 Z[22] < 10 的时候,Z[22] = Z[121]; 而当 Z[22] >= 10的时候,Z[22] <= Z[121], Z[121]真正的值,还需要通过比较 S[131..n] 这些后面的字符才能算出。
由上面的例子得出 Zbox 算法:
设 k 为 S 的任意一个位置,循环从 k=2 到 k=n-1。
设 r 是 当前 Zbox 覆盖的最靠右的位置,l 是 当前 r 所属的 Zbox的左起点。
1. 若 k > r, 则 k 未落在当前覆盖最远的 Zbox 中,所以不能用现成的 Z[i] 值,只好老老实实地比较 S[1..n] 和 S[k..n],直到不能匹配的位置 q ,则 Z[k] = q-k ,l = k,r = q-1。
2. 若 k <= r, 则 k 落在了当前覆盖最远的 Zbox 中, 所以可以利用上之前已经计算好的 Z[i] 值。但是还要分两种情况。设 g=r-k+1。如图2。
a. 如果 Z[k'] < g ,则 Z[k]=Z[k'];
b. 如果 Z[k'] >= g,则需要从第 r+1 个字符开始检验,直到不能匹配的字符q,则 Z[k] = q-k ,l = k ,r = q-1 。
利用上述 Zbox 算法,就可以在文本 T 中发现所有与 p 精确匹配的子串了。方法是,把 P 排列在 T 前,并在其分界处插入字符集以外的字符,如 $ 。
如图 3:
a a a b $ a a a a b a c d a a a b a
|_____| |_______________________|
P T
这样,找到所有 Z[i],当 i > |P|+1 ,且 Z[i] = |P|时,位置i就是一个与 P 精确匹配的位置,如此继续下去直到找到所有位置。
时间复杂度分析:因为 T 和 P 的字符至多被比较了一次,所以时间复杂度是 O(m+n),|P| = m,|O| = n
。
空间复杂度分析:因为 $ 不会出现在 T 和 P 中,所以 Z[i] <= |P|, 这样,存储在 T 中的 i 的 Z[i] 值是没有用的。因此得出空间复杂度是 O(m)。