从字符串编辑距离到字符串对齐

（一）字符串编辑距离

字符串编辑距离，也称莱文斯坦距离，它是指把一个字符串变为另一个字符串需要的最小操作步数，每一步可以在“一个字符串”上做以下三种操作之一：

（1）插入一个字符；

（2）删除一个字符；

（3）修改一个字符。

计算编辑距离的常见方法是动态规划，思路是这样的：

（1）首先找到动态规划里的状态。我们可以计算word1（第一个字符串）的前i个字符组成的子字符串到word2（第二个字符串）的前j个字符的编辑距离（当i和j分别等于word1和word2的长度时，实际上就是计算word1到word2的编辑距离），我们用一个符号表示这个意思：

d（i，j）

这就是状态。

（2）然后寻找状态转移方程。假设word1的最后一个字符为c1，word2的最后一个字符为c2。

当c1等于c2时，有：

d（i，j）=d（i-1，j-1）；

当c1不等于c2时，就需要一步操作来改变word1使之与word2匹配，我们可以在c1后面插入一个字符c2，这时：

d（i，j）=d（i，j-1）+1；（加1是因为当前这一步操作）

或者，删除c1，这时：

d（i，j）=d（i-1，j）+1；

又或者将c1改为c2，这时：

d（i，j）=d（i-1，j-1）+1。

因为我们需要的是最小步数，所以，我们希望：

d（i，j）=min（d（i-1，j-1），d（i，j-1）+1，d（i-1，j）+1，d（i-1，j-1）+1）。

这就是状态转移方程。

另外还有两个一眼就能看出的编辑距离：

（1）当word1为空时，最短编辑距离就是len2（word2的长度），也就是len2次插入操作；

（2）当word2为空时，最短编辑距离就是len1（word1的长度），也就是len1删除操作。

我们可以用一个（len1 + 1） x （len2 + 1）的矩阵dMatrix来存储所有的d（i，j）,这时dMatrix[len1][len2]存储的就是word1到word2的最小编辑距离。

举个例子：

word1=XGYXYXYX

word2=XYXYXYTX

我们根据“两个一眼就能看出的编辑距离”填充dMatrix矩阵的一部分，得到如下的矩阵：

根据上面的分析，d（i，j）总是是可以根据d（i-1，j-1），d（i，j-1），d（i-1，j）之一计算出来的，计算的方式就是上面给出的状态转移方程，所以，我们可以首先计算出下图中红色数字：

然后，一行一行地计算出矩阵中所有的值，计算的顺序如下图所示：

最终结果如下图所示：

（二）字符串对齐

我现在能想到的字符串编辑距离的唯一用途就是用来对齐字符串了。这里的对齐字符串，既不是左对齐，也不是右对齐，而是让两个字符串中相同的字符串彼此对应上。举个例子。假设我们需要对齐上面的两个字符串：

word1=XGYXYXYX

word2=XYXYXYTX

对齐的结果是：

word1=XGYXYXY_X
word2=X_YXYXYTX

这里，word1里下划线表示相应位置需要插入一个字符，word2里的下划线表示相应的word1位置上的字符应该被删除，如果word1某个位置的字符和word2相应位置的字符不一样且都不是下划线，则表示这里是一个修改操作。

那么，如何使字符串对齐呢？这就要用到字符串编辑距离矩阵了。我们从矩阵dMatrix的dMatrix[len1][len2]位置出发，不断寻找下一个位置，下一个位置就是d（i-1，j-1），d（i，j-1），d（i-1，j）中使得dMatrix[len1][len2]最小的那个，这也就是寻找下一个位置方式。整个寻找下一个位置的过程，就是寻找得到word1到word2最小编辑距离经过的所有“状态”（动态规划里的状态）的过程。结果是，得到一条状态链。针对上面的例子，我们得到下面这个状态链：

[i=8, j=8], [i=7, j=7], [i=7, j=6], [i=6, j=5], [i=5, j=4], [i=4, j=3], [i=3, j=2], [i=2, j=1],  [i=1, j=1], [i=0, j=0]

我们可以根据这个状态链来获得word1变为word2的所有操作信息。比如，从[i=8, j=8]到[i=7, j=7]，因为i和j都减少了1，所以存在两种情况，相应的字符对一样，或者这里有一次修改操作；[i=7, j=7]到 [i=7, j=6]，因为i不变，j少了1，说明这里有一次插入操作；[i=2, j=1]到[i=1, j=1]，因为i少了1，j不变，说明这里有一次删除操作。利用这些信息，我们就可以对齐字符串了。

最近在学习从网页中抽取有用数据，而字符串对齐就是其中遇到的关键技术之一，用于寻找字符串中的模式。比如，我们有很多CSDN博客的源码，字符串对齐可以用于寻找CSDN给我们提供的博客框架。

字符串对齐的源码可以在这里下载：

https://github.com/l294265421/algorithm-general（代码在项目的levenshteinDistance包下）

参考书籍：

《Web数据挖掘》第二版，作者：Bing Liu，译者：俞勇