《柔性字符串匹配》读书笔记（１）之－－KMP算法（单模式串匹配、前缀匹配）

                                                                                                    ——by m4trix

《柔性字符串匹配》: 《Flexible Pattern Matching in Strings》
KMP算法: Knuth-Morris-Pratt algorithm
Knuth is Donald Knuth, you know the guy I mean.  

所谓字符串匹配：给出两个字符串A，B，回答B串是否是A串的子串（A串是否包含B串）。这里称A为文本，B为模式，即要回答模式B是否为文本A的子串。

有：
文本 A = t₁t ₂t₃...t _n

模式 B = p₁p ₂p₃...p _m

传统的字符串匹配算法：（算法时间复杂度O((n-m+1)*m)）

        把文本A中位移分别0，1，...n-m时的文本（t₁ t₂t ₃...t_m,  t ₂t ₃t ₄...t _m+1,  t ₃t ₄t ₅...t _m+2,  ...）依次跟模式B进行比较，查找匹配与否。

        这种算法没有对已匹配过的信息加以利用，KMP算法就是在充分利用已匹配信息的基础上，来避免一些明显的不合理的移位（每次当t _xt _x+1t _x+2...t _x+m-1与模式B不匹配时，需要对文本A后移一位t _x+1t _x+2t _x+3...t _x+m-2来继续进行对比，其实有的时候可以一次移z(z>1)位，这样子效率更优）。那么问题来了：KMP是怎么来对已匹配信息加以利用的呢，每次不匹配了需要对文本移位再比较时，移多少位呢，怎么确定：

KMP算法的思想：（算法最坏时间复杂度O(n)，平均时间复杂度O(n)）

一些概念：
        部分匹配表(Partial Match Table)：所谓部分匹配表，即模式B中当匹配到第i个字符时，在p₁p  ₂p₃ ...p _i中，既是该串的前缀、同时又是该串的后缀的最长字符串的长度与索引i的一个映射关系表。

        如有模式串："abababca"

        则有部分匹配表：

              

        如何计算得来：

                - "a"的前缀和后缀都为空集，因此公共元素的最大长度为0;

                - "ab"有前缀["a"], 后缀["b"], 公共元素的最大长度为0;

                - "aba"有前缀["a", "ab"], 后缀["ba", "a"], 公共元素"a"的最大长度为1;

                - "abab"有前缀["a", "ab", "aba"], 后缀["bab", "ab", "b"], 公共元素"ab"的最大长度为2;

                - "ababa"有前缀["a", "ab", "aba", "abab"], 后缀["baba", "aba", "ba", "a"], 公共元素"a", "aba"的最大长度为3;

                - "ababab"有前缀["a", "ab", "aba", "abab", "ababa"], 后缀["babab", "abab", "bab", "ab", "b"], 公共元素"ab", "abab"的最大长度为4;

                - "abababc"有前缀["a", "ab", "aba", "abab", "ababa", "ababab"], 后缀["bababc", "ababc", "babc", "abc", "bc", "c"], 公共元素的最大长度为0;

                - "abababca"有前缀["a", "ab", "aba", "abab", "ababa", "ababab", "abababc"], 后缀["bababca", "ababca", "babca", "abca", "bca", "ca", "a"], 公共元素"a"的长度为1;

        部分匹配长度(partial_match_length)：所谓部分匹配长度，即文本A中的子串与模式B中的前i个字符相匹配，第i+1个字符不匹配，则此时的部分匹配长度为i.

有了部分匹配表和部分匹配长度，KMP算法对其怎么加以利用：
当文本A中的子串部分匹配模式B时，有部分匹配长度：partial_match_length, 部分匹配表PMTable, 则当PMTable[partial_match_length] > 1, 则文本A向前位移 partial_match_length - PMTable[partial_match_length - 1]长度，继续用子串与模式B来匹配，依次循环，直到匹配上或者直至文本A走完为止。 

综上，KMP分两步来完成：

1、对模式串进行预处理，计算出部分匹配表；

2、依据Partial Match Table，对文本进行跳跃式位移来拿文本子串和模式进行匹配。

示例：

文本A："bacbababaabcbab"

模式B："abababca"

1、

如上图：

没有部分匹配中，文本A向前移1位；

2、

如上图：

部分匹配，有partial_match_length = 1，

根据：

              if  (PMTable[partial_match_length] > 1) {

                     文本A向前移partial_match_length - PMTable[partial_match_length - 1]长度；

              } else {

                      文本A向前移 1 位；

              }

PMTable[1] = 0 < 1,

文本A向前移1位；

3、

如上图：

没有部分匹配中，文本A向前移1位；

4、

如上图：

没有部分匹配中，文本A向前移1位；

5、

如上图：

部分匹配，有partial_match_length = 5，

PMTable[5] = 4 > 1,  partial_match_length - PMTable[partial_match_length - 1] = 5 -  PMTable[5 - 1] = 5 - 3 = 2,

文本A向前移2位；

6、

如上图：

部分匹配，有partial_match_length = 3，

PMTable[3] = 2 > 1,  partial_match_length - PMTable[partial_match_length - 1] = 3 -  PMTable[3 - 1] =3 - 1 = 2,

文本A向前移2位；

7、

如上图：
模式的长度已经超出了剩余的子文本串的长度了，因此匹配结束，没有匹配中。

C代码实现：

<span style="font-size:18px;">/*
 * input: x is the pattern string
 * input: m is the length of pattern string
 * output: KMPNext is the Partial Match Table
 */
void preKMP(char *x, int m, int KMPNext[])
{
    int i, j;

    i = 0;
    j = KMPNext[0] = -1;

    while (i < m) {
        while (j > -1 && x[i] != x[j]) {
            j = KMPNext[j];
        }
        i++;
        j++;
        if (x[i] == x[j]) {
            KMPNext[i] = KMPNext[j];
        } else {
            KMPNext[i] = j;
        }
    }
}


void KMP(char *x, int m, char *y, int n)
{
    int i, j, KMPNext[XSIZE];

    /* Preprocessing */
    preKMP(x, m, KMPNext);

    /* Searching */
    i = j = 0;
    while (j < n) {
        while (i > -1 && x[i] != y[j]) {
            i = KMPNext[i];
        }
        i++;
        j++;
        if (i >= m) {
            //OUTPUT(j - i);
            i = KMPNext[i];
        }
    }
}</span>

KMP算法的适用场景：
因为KMP算法是对模式串进行预处理，因此该算法非常适合求解这样的问题：
给定一个模式串B，和一群文本A串，问B是哪些A串的子串。

Refer:

"The Knuth-Morris-Pratt Algorithm in my own words"
http://jakeboxer.com/blog/2009/12/13/the-knuth-morris-pratt-algorithm-in-my-own-words/

"KMP算法详解"

http://blog.csdn.net/yutianzuijin/article/details/11954939

"Knuth-Morris-Pratt algorithm description and C code by Christian Charras and Thierry Lecroq"
http://www-igm.univ-mlv.fr/~lecroq/string/node8.html