字符串匹配的Boyer-Moore(BM)算法

字符串匹配的Boyer-Moore（BM）算法

       Boyer-Moore算法不仅效率高，而且构思巧妙，容易理解。1977年，德克萨斯大学的Robert S. Boyer教授和J Strother Moore教授发明了这种算法。

这个算法有两个机制：良好后缀转移机制和不良字符转移机制。

1.下面通过课本《入侵检测技术》的实例简单解释这个算法

首先字符串和模式串首部对齐，模式串从右向左开始比较。

从尾部开始比较，“a”与“a”相匹配；继续向左“na”与“na”匹配；继续向左“ana”与“ana”匹配。

我们把这种情况称为“良好后缀”（good suffix），即所有尾部匹配的字符串。

注意，“ana”、“na”、“a”都是良好后缀。

再继续向左比较前一位，，发现“b”与“n”不匹配，此时称“b”为不良字符（bad character），即不匹配字符。但是“b”包含在模式串“banana”之中。所以将模式串右移两位使两个“b”对齐。

由此，我们总结出“不良字符规则”：模式串右移位数 = 不良字符的位置 - 模式串中的上一次出现位置

如果“不良字符”不包含在模式串中，则上一次出现位置为-1。

本例中，“b”为不良字符，出现在模式串中的第2位（从0开始编号），在模式串中的上一次出现位置0，所以后移2-0=2位。

从尾部开始逐位比较，发现全部匹配，于是搜索结束。

2.课本例子并未体现出两种机制结合后的更好的移法，故我在网上找到Moore教授自己的例子和其他研究人员的材料来解释这种算法

首先，字符串和模式串首部对齐，从右向左开始比较。

我们看到“s”与“e”不匹配。这时“s”被称为不良字符。我们还发现“s”不在模式串中，故根据不良字符规则，模式串右移位数=6-（-1）=7位，得到以下匹配：

“p”与“e”不匹配。这时“p”被称为不良字符。但发现“p”在模式串中，故根据不良字符规则，模式串右移位数=6-4=2位，得到以下匹配：

依然从尾部开始比较，“e”与“e”相匹配；继续向左“le”与“le”匹配；继续向左“ple”与“ple”匹配；继续向左“mple”与“mple”匹配；“mple”、“ple”、“le”、“e”都是良好后缀。

继续发现“i”与“a”不匹配，所以“i”是不良字符。根据不良字符规则，此时模式串应该右移2-（-1）=3位。问题是，此时有没有更好的移法？

 

此时我们引出良好后缀转移机制，“良好后缀规则”：模式串右移位数 = 良好后缀位置 – 模式串中的上一次出现的位置

举例来说，如果字符串“ABCDAB”的后一个“AB”是良好后缀。那么它的位置是5（从0开始计算，取最后的“B”的值），在“模式串中的上一次出现位置”是1（第一个“B”的位置），所以后移5-1=4位，即前一个“AB”移到后一个“AB”的位置。

再举一个例子，如果字符串“ABCDEF”的“EF”是好后缀，则“EF”的位置是5，上一次出现的位置是 -1（即未出现上一次），所以后移 5 - (-1) = 6位，即整个模式串移到“F”的后一位。

注意：如果良好后缀有多个，则除了最长的那个后缀，其他后缀的上一次出现位置必须在头部。比如，假定“BABCDAB”的良好后缀是“DAB”、“AB”、“B”，这时良好后缀的上一次出现位置是采用的良好后缀是“B”，它的上一次出现位置是头部，即第0位。这个规则也可以这样表达：如果最长的那个“好后缀”只出现一次，则可以把模式串改写成如下形式进行位置计算“(DA)BABCDAB”，即虚拟加入最前面的“DA”。

回到本例中，此时所有后缀为：mple、ple、le、e，只有e在模式串还出现头部，所以右移距离=6-0=6位。

如果使用不良字符规则，右移位数只能移动3位，而良好后缀规则可以移动6位，所以Boyer-Moore算法的基本思想总结为每次后移位数取这两个规则计算后的较大值。

继续从尾部开始比较，“p”和“e”不匹配，因此“p”是不良字符，直接根据不良字符规则得到后移位数=6-4=2位。

从尾部开始逐位比较，发现全部匹配，于是搜索结束。如果还要继续查找（即找出全部匹配），则根据“良好后缀规则”，右移6-0=6位，即头部的“e”移到尾部的“e”的位置，再开始下一轮字符匹配工作。

 

参考资料：

字符串匹配的Boyer-Moore算法：http://www.ruanyifeng.com/blog/2013/05/boyer-moore_string_search_algorithm.html