字符串匹配详解

简介

      KMP 算法是 D.E.Knuth、J,H,Morris 和 V.R.Pratt 三位神人共同提出的，称之为 Knuth-Morria-Pratt 算法，简称 KMP 算法。该算法相对于 Brute-Force（暴力）算法有比较大的改进，主要是消除了主串指针的回溯，从而使算法效率有了某种程度的提高。
      该算法是一种字符串匹配算法，功能是给一个主串(text)和一个模式串(pattern)，计算主串中是否包含模式串，如果包含则返回模式串第一次出现在主串时的下标，否则返回-1。
      假设有两个串：

text = "abcbcglx";
pat = "bcgl";

      在这两个串中，我们可以明显看出text是包含pat的，并且pat出现在text的第四个字符上，对应的下标也就是3，即应该返回一个int值3。介绍KMP之前，我们先看看BF算法是如何进行匹配的。

BF算法

BF(Brute force),暴力算法。

思路

      （1）在BF中，要看text和pat是否存在包含关系，就要对两个串的字符进行逐一比对。我们约定使用j来代表text中当前要对比的下标位置，使用i来代表pat中当前要对比的下标位置。那么在上述的用例中，我们就要先将text中的第一个字符‘a’与pat中的第一个字符‘b’进行比对（即j=0,i=0）。如下图：

      （2）这时发现text[j]与pat[i]并不一致，因此下一步就需要从text的第二个字符开始跟pat比对（即j++）。如下图：

      （3）现在，text[j]与pat[i]一致，所以可以继续向下比较了，即比对它们各自的下一个元素（i++）。如下图。

      （4）到了j=2,i=1时，text[j]与pat[i]还是相等的，因此将j和i继续向后推（i++）。如下图。

      （5）到了这步，发现此时text[j]与pat[i]又不一致了，那么很遗憾，这时候要从text的第三个字符开始，重新跟pat的第一个字符开始比对了(即便pat[0]和pat[1]之前已经参加过比较)。

      （6）这时候text[j]与pat[i]还是不一致的，因此再将text的第四个字符与pat从头比。

      此时text[j]与pat[i]一致，继续向后推进，发现接下来推进的四个位置都是一致的，这样就已经从text中找到了pat，返回位置j。如果m代表text的长度，n代表pat的长度，BF算法的时间复杂度为O(mn)。

示例

int BruteForse(char text[], char pat[])
{
    for (int j = 0; j <= strlen(text)-strlen(pat); j++){
    	int i;
        for (i = 0; i < strlen(pat); i++){
            if (text[j+i] != pat[i])){
                break;
            }
        }
        if (i == strlen(pat)){
            return j;
        }
    }
    return -1;
}

KMP

      在BF中，pat串每次匹配失败，都要回到第一个位置重新比较，那么之前参加过比较的也都要再次进行比较。KMP算法就是为了尽可能的减少这种重复性工作，让pat串已经比较过的一些字符可以不用再次比较。

思路

      假设有两个串：

text = "abcxabcdabxabcdabcy";
pat = "abcdabcy";

      （1）令text开始比较的元素下标是j，pat是i。开始时j=0,i=0。

      （2）此时发现text[j]==pat[i]，就继续比后续的字符(i++,j++)，直到text[3]和pat[3]：
更正：下图中j应该在3上方

      （3）此时对比的两个字符不相等，对于pat串，观察i之前已经对比过的序列abc，观察其中有没有相同的前缀和后缀，发现并没有，因此将i回退至0。

（4）这时，两个字符同样不等，因此将j后推进即可（j++）。

      (5)到了这步发现相等，继续向后比对，发现直到比到text[10]与pat[6]时，出现不等情况。
更正：下图中j应该在10上方

      （6）此时发现，在i之前的串abcdab中，存在着相同的前缀和后缀，其中最长的是ab，因此在pat中直接令i=2,即ab后面的字符。同时更新j=10。

      （7）此时出现不等，那么观察i以前的序列ab，发现没有相同的前缀或后缀，那么就让重置i=0，j向后推动(j++)。

      （8）随后一直进行，即可发现后面的元素都是相等的，那么可以说pat已经在text中被找到，最终匹配完j的值应该是19，用19减去pat的长度，得11,即为pat出现的第一个位置。
      总结上述过程，我们可以发现：

• 当对比字符匹配时，需要将i++,j++。
• 当发生不匹配时，有两种情况：一是pat的第一个字符就不匹配，这时候最好处理，pat下次还需要从头比，所以i不用动，j直接后移一位j++即可。
• 不匹配时的另外一种情况是：pat串前面已经有一段发生匹配了，也就是在这时候才能体现出KMP的优点。这时候我们先不用管j,然后找到i之前的串中相同的前缀和后缀，并且取长度最长的一个（假设为l），则令i=l。
        总结好了上述规律，就可以开始编写函数了，不过这时候还有一个问题，就是该如何确定一个串中相同的前缀与后缀中最长的长度，也就是上面提到的l。我们通过定义一个数组，来记录串中每个元素前面的串的l值，也就是所谓的next[]数组。

next数组

      （1）假设要找“abcaby”的next数组，首先将next[0]赋值为0。随后设两个标记变量j=0,i=1。

      （2）接下来将pat[j]与pat[i]作比较，由于不等，且j=0，就将next[i]赋值为0，然后i++，同理next[2]也是0。

      （3）随后i走到了a的位置，这时候pat[j]==pat[i]成立，就令next[i]=j+1，此时next[3]=1，然后j++,i++。同理可得next[4]=2。

      （4）这时候又出现了pat[j]!=pat[i]，但与第二步不同，此时的j是不等于0的，因此还需要特殊处理一下：令j=next[j-1]，此时j又回到了0，再进行比较，便又回到了pat[j]!=pat[i] && j==0的情况，因此next[5]也等于0。到这里，next数组就已经初始化完毕。

示例

      由上述过程可先编写出初始化next数组的函数：

void initNext(char pat[]){
	int j = 0, i = 1;
	int size = strlen(pat);
	while(i < size){
		if(pat[i] != pat[j]){
			if(j==0){
				next[i] = 0;
				i++;
			} else {
				j = next[j-1];
			}	
		} else {
			next[i] = j+1;
			i++;
			j++;
		}
	}
}

      根据上述过程，KMP算法的代码为：

#include<iostream>
#include<string.h>  
using namespace std;
char text[50] = "abxabcabcaby";
char pat[20] = "abcaby";
int next[20] = {0};
void initNext(char pat[]){
	int j = 0, i = 1;
	int size = strlen(pat);
	while(i < size){
		if(pat[i] != pat[j]){
			if(j==0){
				next[i] = 0;
				i++;
			} else {
				j = next[j-1];
			}	
		} else {
			next[i] = j+1;
			i++;
			j++;
		}
	}
}

int KMP(char text[], char pat[]){
	int j = 0;//text串中的标记 
	int i = 0;//pat串中的标记 
	int length = strlen(text);
	while(j < strlen(text)){
		if(text[j] != pat[i]){
			if(i == 0){
				j++;
			} else {
				i = next[i-1];
			}
		} else {
			i++;
			j++;
		}
	}
	if(i == strlen(pat)){
		return j - strlen(pat);
	}
	return -1;
}

int main(){
	initNext(pat);
	cout<<"pat串的next数组为："; 
	for(int i=0;i<strlen(pat);i++)
		cout<<" "<<next[i];
	cout<<endl;
	int ans = KMP(text, pat);
	if(ans != -1) 
		cout<<"pat在text中第一次出现的位置是："<<ans;
	else
		cout<<"text不含pat"; 
	return 0;
} 

      在KMP中，时间复杂度为O(m)，但构建next数组的时间复杂度为O(n),因此总的时间复杂度为O(m+n)，远比BF好很多。