Rabin-Karp算法详解和实现（python）

  Rabin-Karp算法总的来说，一句话可以概况，就是一种利用对字符串进行哈希（hash）来解决字符串匹配问题的算法。所以该算法的特点就呼之欲出了，如何对字符串进行hash呢？
  这里首先对字符串匹配问题做一个简单的概述。字符串匹配问题可以简单描述成下述形式：

• Input：一段字符串a，和一个字符串b
  Output：如果b中含有a，那么输出True，如果没有，输出False

什么是Hash

  那么最重要的问题来了，如何对字符串进行hash呢？首先我们需要明白hash的含义，hash的含义就是通过一个函数将一个值域（初始值）映射到另一个值域（散列值），这个函数就是哈希函数，也叫散列函数。这么说有点抽象，举个栗子，对python有一定了解的都知道，python的字典就是一种hash存储模式，一般我们很难保证有一整块连续的内存来存储数据，因此会将多个数据分散存储在多个地方，但是这样不方便查找，如果我们有三个数据（key），x1,x2,x3（三个数据必须不相等，相等的数据拥有相同的hash地址），我们的hash函数是H(x) = 10*x + 5，假设我们从地址为1，2，3开始来存储这三个数据，那么我们得到的最后的地址就是15，25，35，也就是说我们通过x就可以直接得到地址，而不需要一个个去遍历查找，极大的减少了查询时间。

什么是Hash冲突

  细心的同学就发现了，如果我们的H(x)比较复杂，如果H(x) = x² + 5，那当我们的key1 = -1, key2 = 1，他们的hash地址不就相等了么？事实上，的确是的，对于key1 != key2，但是通过H(x)算出来的hash值是一样的，这就是Hash冲突。避免hash冲突的方法有很多，比如开放地址法（再散列法）、链地址法（拉链法）、再哈希法、建立公共溢出区等等，这里就不细讲了，因为都用不着。

Rabin-Karp算法

  到这里，我们的基础知识就基本介绍完了，可以正式进入Rabin-Karp算法的介绍和实现了。我们比较两个字符串是不是匹配（相等），一般可以从头往后进行遍历，比较每一个对应位置的字符是不是相等，直到比较完所有位置或者存在对应位置字符不等。将问题提高一点，判断字符串a是不是b的子串，大家很容易想到滑动窗口，如果a的长度是m，那么滑动窗口的长度也就是m，滑动的次数是（n-m），比较的次数是m次，所以传统暴力解法的时间复杂度为（m-n）*m。
  Rabin-Karp算法其实也是基于滑动窗口来进行比较，只是它不是比较每个字符，而是比较这整个m长子串的hash值，这样无需遍历，一次比较即可完成，所有的时间复杂度是，m(构建a字符串的hash值所需要的时间复杂度) + n(遍历字符串n所需要的时间复杂度)。

对字符串进行hash

  对字符串hash也很简单，每一个字符在ASCII中均有一个独属于自己的编码比如a-z对应的编码是97-122，A-Z对应的编码是65-90。有了这些初始值，那么剩下的就是我们哈希函数的建立了。我们以26个大写字符串为例，讲解其hash函数的构建，我们发现对于长度为m的字符串，其可能组合为26^m，hash函数的目的是尽可能为每一个初始值找到一个唯一的散列值，也就是说我们的hash函数的散列区间也需要满足26^m，这里我们很容易就考虑到进制，即如果只有2种状态我们就考虑用2进制，10种状态就考虑用十进制，本例26种状态，我们就可以考虑用26进制来表示，举个栗子，例如我们对字符串ABCD进行哈希：

• A-Z对应的编码是65-90，将其对应到0-25之间（表示26进制），因此A、B、C、D对应的值为0、1、2、3
  1 ： H(“ABCD”) = 0*26³ + 1*26² + 2*26¹ + 3*26⁰= 731

  这就是字符串hash的方法，那么我们如何字符串匹配时来使用呢？难道每次的m长度窗口都要计算一次么？那时间复杂度岂不是就是O(mn)了？
  当然不是，这里用了前缀和的思想，对于"ABCDEF"，其对应的编码是012345,我们滑动窗口长度为3，那么当我们计算完"ABC"的hash值了之后，我们需要计算"BCD"的hash值，由于每一个窗口的hash值实质上是一个累计和，所以我们只需要对H(“ABC”)减去A的贡献，对剩下的值乘以26，最后再加上D的贡献，就可以了，这样的时间复杂度为1。其中A的贡献为0*26^m-1 （m为滑动窗口长度）,C对应的贡献为 3*26⁰。
  算法原理都清楚了，接下来就是优化，即如何避免Hash冲突，首先我们要明白只要hash函数选的不是很离谱，发生冲突的概率是很低的，因此对于本题的字符串匹配问题，当hash值相等时，我们再同时比较字符串，这样时间复杂度会高一点，但是完全避免了hash冲突会引起的匹配错误。代码如下所示：

def search(a, b):
    """
    判断a是不是b的子串
    >>>search( "AABA", "ACAADAABAAAAABABAA")
    >>>True
    """
    hashA, hashB = 0, 0
    aN = [ord(c)-ord('A')+1 for c in a]
    bN = [ord(c)-ord('A')+1 for c in b]
    m, n = len(aN), len(bN)
    for i in range(m):
        hashA = 26*hashA + aN[i]
        hashB = 26*hashB + bN[i]
    for j in range(m-1, n):
        if j > m-1:
            hashB -= bN[j-m]*(26**(m-1))
            hashB = hashB*26 + bN[j]
        if hashB == hashA:
            if a == b[j-m+1:j+1]:
                return True
    return False
search( "AABA", "ACAADAABAAAAABABAA")

• 如果大家觉得有帮助，欢迎点个免费的赞，谢谢！