【KMP算法简介】
KMP算法是一种改进后的字符串匹配算法,由D.E.Knuth与V.R.Pratt和J.H.Morris同时发现,因此人们称它为克努特——莫里斯——普拉特操作(简称KMP算法)。通过一个辅助函数实现跳过扫描不必要的目标串字符,以达到优化效果。
【传统字符串匹配算法的缺憾】
Bill认为,对于一种优化的算法,既要知道优化的细节,也更应该了解它的前身(至于KMP是否基于传统算法,我不清楚,这里只作语境上的前身),了解是什么原因导致了人们要去优化它,因此加入了这一段:
请看以下传统字符串匹配的代码:
void NativeStrMatching( ElemType Target[], ElemType Pattern[] )
{
register int TarLen = 0; // Length of Target
register int PatLen = 0; // Length of Pattern
// Compute the length of Pattern
while( '\0' != Pattern[PatLen] )
PatLen++;
while( '\0' != Target[TarLen] )
{
int TmpTarLen = TarLen;
for(int i=0; i<PatLen; i++)
{
if( Target[TmpTarLen++] != Pattern[i] )
break;
if( i == PatLen-1 )
cout<<"Native String Matching,pattern occurs with shift "<<TarLen<<endl;
}
TarLen++;
}
}
【代码思想】
传统匹配思想是,从目标串Target的第一个字符开始扫描,逐一与模式串的对应字符进行匹配,若该组字符匹配,则检测下一组字符,如遇失配,则退回到Target的第二个字符,重复上述步骤,直到整个Pattern在Target中找到匹配,或者已经扫描完整个目标串也没能够完成匹配为止。
这样的算法理解起来很简单,实现起来也容易,但是其中包含了过多不必要的操作,也就是在目标串中,有些字符是可以直接跳过,不必检测的。
不妨假设我们的目标串
Target = "a b c d e a b c d e a b c d f"
需要匹配的模式串
Pattern = "c d f";
那么当匹配到如下情况时
![](https://i-blog.csdnimg.cn/blog_migrate/0d8d826a01c7d929946c84d04bf5243b.jpeg)
由于 'e' != 'f' ,因此失配,那么下次匹配起始位置就是目标串的'd'字符
![](https://i-blog.csdnimg.cn/blog_migrate/9afd5caf373cc948301cd5fb90dc3c24.jpeg)
我们发现这里照样失配,直到运行到下述情况
![](https://i-blog.csdnimg.cn/blog_migrate/ff6f00d3cc26d387fc2f0aa8a8dcbd51.jpeg)
也就是说,中间的四个字符 d e a b 完全没有必要检测,直接跳转到下一个'c'开始的地方进行检测
由此可见传统算法虽然简单易行,但其中包含了过多的不必要操作,并不能很好地达到实际工作中需要的效率,因此个人认为此方法适合为初识字符串匹配做一个铺垫作用,有抛砖引玉之意。
说其抛砖引玉并不为过,对KMP算法的理解便可以基于传统模式串匹配算法进行思考。
【KMP算法的引入】
既然知道了传统算法的不足之处,就要对症下药,优化这个冗余的检测算法。
KMP算法就能很好地解决这个冗余问题。
其主要思想为:
在失配后,并不简单地从目标串下一个字符开始新一轮的检测,而是依据在检测之前得到的有用信息(稍后详述),直接跳过不必要的检测,从而达到一个较高的检测效率。
如我们的
![](https://i-blog.csdnimg.cn/blog_migrate/5543e9ba3784822c248b61fa13ada282.jpeg)
当第一次失配后,并不从红色标记字符'd'开始检测,而是通过一些有用信息,直接跳过后几个肯定不可能匹配的冗余字符,而直接让模式串Pattern从目标串的红色标记字符'c'开始新一轮的检测,从而达到了减少循环次数的效果
【KMP算法思想详述与实现】
前面提到,KMP算法通过一个“有用信息”可以知道目标串中下一个字符是否有必要被检测,这个“有用信息”就是用所谓的“前缀函数(一般数据结构书中的next函数)”来存储的。
这个函数能够反映出现失配情况时,系统应该跳过多少无用字符(也即模式串应该向右滑动多长距离)而进行下一次检测,在上例中,这个距离为4.
总的来讲,KMP算法有2个难点:
一是这个前缀函数的求法。
二是在得到前缀函数之后,怎么运用这个函数所反映的有效信息避免不必要的检测。
下面分为两个板块分别详述:
【前缀函数的引入及实现】
【前缀函数的引入】
对于前缀函数,先要理解前缀是什么:
简单地说,如字符串A = "abcde" B = "ab"
那么就称字符串B为A的前缀,记为B ⊏ A(注意那不是"包含于",Bill把它读作B前缀于A),说句题外话——"⊏"这个符号很形象嘛,封了口的这面相当于头,在头前面的就是前缀了。
同理可知 C = "e","de" 等都是 A 的后缀,以为C ⊐ A(Bill把它读作C后缀于A)
理解了什么是前、后缀,就来看看什么是前缀函数:
在这里不打算引用过多的理论来说明,直接引入实例会比较容易理解,看如下示例:
![](https://i-blog.csdnimg.cn/blog_migrate/1847088a6d8a1272a693cb81d7c810d7.jpeg)
(下述字符若带下标,则对应于图中画圈字符)
这里模式串 P = “ababaca”,在匹配了 q=5 个字符后失配,因此,下一步就是要考虑将P向右移多少位进行新的一轮匹配检测。传统模式中,直接将P右移1位,也就是将P的首字符'a'去和目标串的'b'字符进行检测,这明显是多余的。通过我们肉眼的观察,可以很简单的知道应该将模式串P右移到下图'a3'处再开始新一轮的检测,直接跳过肯定不匹配的字符'b',那么我们“肉眼”观察的这一结果怎么把它用语言表示出来呢?
![](https://i-blog.csdnimg.cn/blog_migrate/c09593c937cf7ed7377e43681bc3f9a8.jpeg)
我们的观察过程是这样的:
P的前缀"ab"中'a' != 'b',又因该前缀已经匹配了T中对应的"ab",因此,该前缀的字符'a1'肯定不会和T中对应的字串"ab"中的'b'匹配,也就是将P向右滑动一个位移是无意义的。
接下来考察P的前缀"aba",发现该前缀自身的前缀'a1'与自身后缀'a2'相等,"a1 b a2" 已经匹配了T中的"a b a3",因此有 'a2' == 'a3', 故得到 'a1' == 'a3'......
利用此思想,可推知在已经匹配 q=5 个字符的情况下,将P向右移 当且仅当 2个位移时,才能满足既没有冗余(如把'a'去和'b'比较),又不会丢失(如把'a1' 直接与 'a4' 开始比较,则丢失了与'a3'的比较)。
而前缀函数就是这样一种函数,它决定了q与位移的一一对应关系,通过它就可以间接地求得位移s。
通过对各种模式串进行上述分析(大家可以自己多写几个模式串出来自己分析理解),发现给定一个匹配字符数 q ,则唯一对应一个有效位移,如上述q=5,则对应位移为2.
这就形成了一一对应关系,而这种唯一的关系就是由前缀函数决定的。
这到底是怎样的一种关系呢?
通过对诸多模式串实例的研究,我们会找到一个规律(规律的证明及引理详见《算法导论(第二版)》)。
上例中,P 已经匹配的字符串为"ababa",那么这个字符串中,满足既是自身真后缀(即不等于自身的后缀),又是自身最长前缀的字符串为"aba",我们设这个特殊字串的长度为L,显然,L = 3. 故我们要求的 s = q - L = 5 - 3 = 2 ,满足前述分析。
根据这个规律,即可得到我们要求的有效位移s,等于已经匹配的字符数 q 减去长度 L。
即 s = q - L
因为这个长度 L 与 q 一一对应,决定于q,因此用一函数来表达这一关系非常恰当,这就是所谓的前缀函数了。
因为已经分析得到该关系为一一对应关系,因此用数组来表示该函数是比较恰当的,以数组的下标表示已经匹配的字符数 q,以下标对应的数据存储 L。
【前缀函数的实现】
前缀函数实现过程的flash动画:
http://ds.fzu.edu.cn/fine/resources/FlashContent.asp?id=41
这里的主要目的是理解KMP算法中next[]数组的含义和实现过程:
前缀函数主要是求出模式串中的next数组,那么什么是模式串呢?模式串模式串的概念很简单。举个例子:“给出一个字符串 T,再给出 n 个字符串 S1、S2...Sn,问 S1、S2...Sn 中有哪些是 T 的子串?”在这个例子中,S1、S2...Sn 便是 n 个模式串,T便是被匹配串。模式串是用来与被匹配串匹配的。
其实,个人感觉,这里主要是理解 next数组的意义: 若模式串 P 的前 i 个字符组成的子串为S,那么S的前next[i]个字符’与‘S的后 next[i]个字符’相同。
如果理解了这个意思,那么这个前缀函数的模板就很好看懂了。
模板:
前缀函数主要是求出模式串中的next数组,那么什么是模式串呢?模式串模式串的概念很简单。举个例子:“给出一个字符串 T,再给出 n 个字符串 S1、S2...Sn,问 S1、S2...Sn 中有哪些是 T 的子串?”在这个例子中,S1、S2...Sn 便是 n 个模式串,T便是被匹配串。模式串是用来与被匹配串匹配的。
其实,个人感觉,这里主要是理解 next数组的意义: 若模式串 P 的前 i 个字符组成的子串为S,那么S的前next[i]个字符’与‘S的后 next[i]个字符’相同。
如果理解了这个意思,那么这个前缀函数的模板就很好看懂了。
模板:
//T是被匹配的串。
//P是模式串。
//字符串都是从下标1开始的。
void COMPUTE_PREFIX_FUNCTION(char P[])
{
int m=strlen(P+1); //这里是因为要从P[ 1 ]开始输入字符串的
next[1]=0;
for(int k=0,q=2;q<=m;q++)
//这段代码我感觉用通俗的语句说就是k是用来表示子串中前k个和后k个是相同的,q是用来遍历数组的需要
{
while(k>0&&P[k+1]!=P[q]) //如果P[k+1]和P[q]中字符不同说明匹配是失败,要把k的值重新退到next[ k ],直到两者相同才停止。这样做的好处是没必要再重新从头再来,节约时间。
k=next[k];
if(P[k+1]==P[q])
k++;
next[q]=k;
}
}
下面是《算法导论(第二版)》中的思想。
不妨以 PrefixFunc[] 表示这个前缀函数,那么我们将得到以下求前缀函数的函数:
由于 0 个匹配字符数在计算中没有意义,因此PrefixFunc下标从1开始,也就是从已经有一个字符(即首字符)匹配的情况开始
// Compute Prefix function
void CptPfFunc( ElemType Pattern[], int PrefixFunc[] )
{
register int iLen = 0; // Length of Pattern[]
while( '\0' != Pattern[iLen] )
iLen++;
int LOLP = 0; // Lenth of longest prefix
PrefixFunc[1] = 0;
for( int NOCM=2; NOCM<iLen+1; NOCM++ ) // NOCM represent the number of characters matched
{
while( LOLP>0 && (Pattern[LOLP] != Pattern[NOCM-1]) )
LOLP = PrefixFunc[LOLP];
if( Pattern[LOLP] == Pattern[NOCM-1] )
LOLP++;
PrefixFunc[NOCM] = LOLP;
}
}
对此函数的详解,不妨以一实例带入(建议大家自己手算一下,算完应该就有感觉了),易于理解:
不妨设模式串Pattern = "a b c c a b c c a b c a"
Pattern 数组编号: 0 1 2 3 4 5 6 7 8 9 10 11
NOCM 表示 已经匹配的字符数
LOLP 表示 既是自身真后缀又是自身最长前缀的字符串长度
以下是计算流程:
PrefixFunc[1] = 0; //只匹配一个字符就失配时,显然该值为零
LOLP = 0; NOCM = 2; LOLP = 0; PrefixFunc[2] = 0;
LOLP = 0; NOCM = 3; LOLP = 0; PrefixFunc[3] = 0;
LOLP = 0; NOCM = 4; LOLP = 0; PrefixFunc[4] = 0;
LOLP = 0; NOCM = 5; LOLP = 1; PrefixFunc[5] = 1;
LOLP = 1; NOCM = 6; LOLP = 2; PrefixFunc[6] = 2;
LOLP = 2; NOCM = 7; LOLP = 3; PrefixFunc[7] = 3;
LOLP = 3; NOCM = 8; LOLP = 4; PrefixFunc[8] = 4;
LOLP = 4; NOCM = 9; LOLP = 5; PrefixFunc[9] = 5;
LOLP = 5; NOCM = 10; LOLP = 6; PrefixFunc[10] = 6;
LOLP = 6; NOCM = 11; LOLP = 7; PrefixFunc[11] = 7;
LOLP = 7; NOCM = 12;
---------此时满足条件while( LOLP>0 && (Pattern[LOLP] != Pattern[NOCM-1]) )-------------
while语句中的执行
{
LOLP = 7; NOCM = 12; LOLP = PrefixFunc[7] = 3;
LOLP = 3; NOCM = 12; LOLP = PrefixFunc[3] = 0;
}
LOLP = 0; NOCM = 12; LOLP = 1; PrefixFunc[12] = 1;
最后我们的前缀函数 PrefixFunc[] = { 0,0,0,0,1,2,3,4,5,6,7,1 }
其间最精妙的要属失配时的操作
while( LOLP>0 && (Pattern[LOLP] != Pattern[NOCM-1]) )
LOLP = PrefixFunc[LOLP];
LOLP = PrefixFunc[LOLP];
其中 LOLP = PrefixFunc[LOLP]; 递归调用PrefixFunc函数,直到整个P字串都再无最长前缀或者找到一个之前的满足条件的最长前缀。
【应用前缀函数优化传统匹配算法——KMP算法实现】
由以上分析,不难推导KMP算法的实现
void KMPstrMatching( ElemType Target[], ElemType Pattern[] )
{
int PrefixFunc[MAX_SIZE];
register int TarLen = 0;
register int PatLen = 0;
// Compute the length of array Target and Pattern
while( '\0' != Target[TarLen] )
TarLen++;
while( '\0' != Pattern[PatLen] )
PatLen++;
// Compute the prefix function of Pattern
CptPfFunc( Pattern, PrefixFunc );
int NOCM = 0; // Number of characters matched
for( int i=0; i<TarLen; i++ )
{
while( NOCM>0 && Pattern[NOCM] != Target[i] )
NOCM = PrefixFunc[NOCM];
if( Pattern[NOCM] == Target[i] )
NOCM++;
if( NOCM == PatLen )
{
cout<<"KMP String Matching,pattern occurs with shift "<<i - PatLen + 1<<endl;
NOCM = PrefixFunc[NOCM];
}
}
}
【参考文献】
《Introduction to Algorithms》Second Edition by Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest and Clifford .