字符串匹配——KMP算法

前段时间被问了字符串匹配的问题，用的是暴力，一直想填KMP的坑，这篇文章就记录一下，方便你我他，希望能讲清楚。

概念

本篇文章的一些约束说明，可能与其他文章不一样，但是原理一样的~

• 前缀：对于一个字符串s，从第一个字符开始的子串。

• 后缀：对于一个字符串s，以最后一个字符结尾的子串。

• 最长相同前后缀 ：对于一个字符串s，其前缀子串与后缀子串相同，且长度最大的子串。比如字符串ababaaba，有a与aba都是其相同前后缀，而aba是其最长相同前后缀。

• 最长相同前后缀数组：对于一个字符串s，其所有从索引0开始的子串的最长相同前后缀长度组成的数组，本文统称为L数组。比如字符串ababaaba，其数组为L = {0, 0, 1, 2, 3, 1, 2, 3}，L[i]表示从0到i的子串的最长相同前后缀长度，有下表：

  子串	最长相同前后缀长度
  a	0
  ab	0
  aba	1
  abab	2
  ababa	3
  ababaa	1
  ababaab	2
  ababaaba	3

L数组应用

这里我们先说L数组，也就是最长相同前后缀数组有什么用吧，然后再说怎么获得一个字符串的L数组。

普通匹配

这里先举个普通匹配的例子吧：从字符串A = ababaabbababaaba中查找B = ababaaba。

Step0
|ababaab|bababaaba
|ababaab|a

Step1
a|babaabbababaaba
 |ababaaba

Step2
ab|aba|abbababaaba
  |aba|baaba

Step3
aba|baabbababaaba
   |ababaaba

Step4
abab|a|abbababaaba
    |a|babaaba

Step5
ababa|ab|bababaaba
     |ab|abaaba

Step6
ababaa|bbababaaba
      |ababaaba

Step7
ababaab|bababaaba
       |ababaaba

Step8
ababaabb|ababaaba|
        |ababaaba|

普通匹配就是一个字符一个字符比较，前面的匹配结果对后面丝毫没有影响，这是个极大的浪费。我们在Step0的匹配都快成功了，只差一个字符，然后又从A的下一个字符重新开始匹配了。而用KMP算法就不一样了。

KMP匹配

同样的例子：从字符串A = ababaabbababaaba中查找B = ababaaba。

Step0
|ababaab|bababaaba
|ababaab|a

Step5
ababa|ab|bababaaba
     |ab|abaaba

Step7
ababaab|bababaaba
       |ababaaba

Step8
ababaabb|ababaaba|
        |ababaaba|

使用KMP算法只需要上面几步。为什么KMP可以直接从Step0跳到Step5，再跳到Step7呢？因为KMP算法充分利用了Step0时候匹配到的结果。

1. Step0匹配结束时的状态为：A字符串的索引为i=7，B字符串的索引为j=7，匹配到的子串是ababaab。
2. 对于字符串B = ababaaba，其L数组前面有说过，是L = {0, 0, 1, 2, 1, 1, 2, 3}，则其子串ababaab的最长相同前后缀长度为L[j-1] = 2。
3. 由于A[i]与B[j]的字符不匹配，而L[j-1]=2，则将j赋值为L[j-1]，此时的状态为：A字符串的索引为i=7，B字符串的索引为j=2，匹配到的子串是ab，即Step5结束时的状态。
4. 而后同理从Step5跳到Step7。

这就是L数组，也就是最长相同前后缀数组的作用。通过它，我们可以在匹配失败时，通过L数组，查询与后缀相同的前缀所处的位置，直接重置j的值。

KMP算法代码

L数组的求值

字符串s的最长相同前后缀数组L求值如下：

vector<int> getL(string s) {
    unsigned long len = s.size();
    vector<int> L(len, -1);

    for (int i = 1; i < len; i++) {
    	// 对于子串[0,i-1]，第i个字符
        int j = L[i - 1];
        // 若子串[0,i-1]存在相同前后缀，找到前缀的最后一个字符的索引
        while ((j >= 0) && (s[j + 1] != s[i])) j = L[j];
        // 判断能否扩展相同前后缀
        if (s[j + 1] == s[i]) L[i] = j + 1;
        else L[i] = -1;
    }

    return L;
}

初始化为-1，表示不存在最长相同前后缀，也是为了方便判断第0位与第i位。
而当L[i]的值不为-1时，表示的是若子串substr(0, i+1)存在相同前后缀子串时，前缀子串的最后一个字符在字符串s中的索引。
那么在KMP算法中，其长度其实是L[i]+1。

KMP匹配

字符串的kmp匹配算法，就是在普通匹配的基础上，将j的遍历优化了，其优化原理与求L数组原理一样。
只不过要注意：子串[0, j-1]的最长相同前后缀长度是L[j-1]+1。

// 返回第一个匹配到的子串的首字符索引，若没有则返回-1
int kmp(string A, string B) {
    int lenA = A.size(), lenB = B.size();
    assert(lenA > lenB);
    vector<int> L = getL(B);
    int i = 0, j = 0;
    while (i < lenA) {
        if (A[i] == B[j]) {
            i++; j++;
            if (j == lenB) return i - lenB;
        } else {
            if (j == 0) i++;
            // 如果A[i]与B[j]不相等，则将j赋值为子串[0,j-1]的最长前后缀的前缀长度
            else j = L[j - 1] + 1;
        }
    }

    return -1;
}