后缀数组详解

后缀数组

后缀数组是一种处理字符串强有力的工具，但一开始看它求sa和rank，的预处理的时候，感到难以理解。但仔细读的话，还是对求后缀数组的过程还是很清晰的.
首先是rank和sa的概念.rank，rank数组保存的是从这个字符串这一位之后的后缀在这个字符串n（n为字符串的长度）个后缀中按字典序下来的排名，即使“你排第几？”，而sa则是相对于rank的一个逆数组，概念反过来了，则是“排名排第i位的是谁”。
怎么快速的求sa呢（求rank只需要把求好的sa逆过来即可），我们这里用到的是倍增算法，另有一种dc3算法暂不提及，详情参考罗穗骞的论文.倍增算法用一个函数来求解，总代码如下（等下详解）：
void da(int *r,int *sa,int n,int m)//r 为字符串，sa为后缀数组，n是字符串长度，m是排名序号的范围.

{
   int j,p,* x=wa,* y=wb,*t;
   for(register int i=0;i<m;i++) ws[i]=0;
   for(register int i=0;i<n;i++) ws[x[i]=r[i]]++;//字符串保存从0开始，长度为n
   for(register int i=1;i<m;i++) ws[i]+=ws[i-1];
   for(register int i=n-1;i>=0;i--) sa[--ws[x[i]]]=i; //可以自己拿小数据模拟一下理解排序过程
   //以上是对长度为1的排序（第一关键字）
   for(j=1,p=1;p<n;j=j*2,m=p) //接下来是倍增 
   {
     for(register int i=n-j,p=0;i<n;i++) y[p++]=i;
     for(register int i=0;i<n;i++) if(sa[i]>=j) y[p++]=sa[i]-j;
     //以上是对第二关键字的排序
     for(register int i=0;i<n;i++) wv[i]=x[y[i]];
     for(register int i=0;i<m;i++)  ws[i]=0;
     for(register int i=0;i<n;i++) ws[wv[i]]++;
     for(register int i=1;i<m;i++) ws[i]+=ws[i-1];
     for(register int i=n-1;i>=0;i--) sa[--ws[wv[i]]]=y[i];
     int i;
     for(t=x,x=y,y=t,p=1,x[sa[0]]=0,i=1;i<n;i++)
      x[sa[i]]=cmp(y,sa[i-1],sa[i],j)?p-1:p++;
   }
   return;
}

现在我们来对这一长串代码进行分析。
首先我们对倍增之前的四行代码进行分析。这四行实际是先对字符后缀串长为1的sa的处理（即此时sa的保存是每一个字符的排名————为什么是每一个字符呢，因为说了此时字符后缀串长为1，即就是这个字符自己）。我们这里要对基数排序进行一下分析，了解一下过程，可以看到：

 for(register int i=0;i<n;i++) ws[x[i]=r[i]]++;//字符串保存从0开始，长度为n
   for(register int i=1;i<m;i++) ws[i]+=ws[i-1];

这两行是什么意思呢？我们首先需要把r数组里面保存的字符转化为整数类型的值（可以直接等于这个字符的ASCLL值），我们知道a的值小于b的值，那么如果一串字符aaaabbbaa，在上面代码的第一行运行后ws[1]=6，ws[2]=3，在运行完第二行的时候ws[1]=6，ws[2]=9，为什么ws[2]变大了呢？因为在字典序里面b是比a小的，在这里b值为2，a值为1，那么虽然b只有三个，排名也应乖乖地排在a后面（注意ws是一个值域桶类似的东西）.后面我们便可以求出sa.（此时的sa还不是真正的sa，因为并不是后缀的sa，此时的sa只是每个字符后缀长度只为1的sa）.
后面开始倍增。怎么倍增呢，我们知道按字典序比较是一位一位的比较，这样显然慢.我们利用倍增的思想，我们试着把一串后缀分成两部分，一部分一部分的比较.我们先把长度为1的sa算出来，再利用它把后缀长度为2的算出来，再利用刚算好的后缀长度为2的sa把长度为4的算出来（2+2=4，注意我们是分成了两部分，一部分一部分的比较，而不是一位一位的），直到倍增到每个字符后缀长度囊括了应有的长度（即从自己开始所有以后的，真正的后缀），sa也就是真正的sa了.
现在对具体代码进行分析.
倍增开始的第一行j就是倍增的长度，m仍是范围（当前排名的，当排名末尾已经是n-1了（从0开始排）时，就说明真正的sa已经出炉了）.
我们来看一看循环中的代码，

 for(register int i=n-j,p=0;i<n;i++) y[p++]=i;
     for(register int i=0;i<n;i++) if(sa[i]>=j) y[p++]=sa[i]-j;

这里是对第二关键字的排名，此时第二关键字就是之前所说的第二部分，显然第二关键字可以由之前的sa得出来。这里代码的第一行是什么意思呢？为什么从n-j开始？因为此时这里从n-j开始的第二关键字没有。为什么么没有？因为此时第一部分长度为j，那么n-i+j>=n,而我们最高是n-1（从0开始的，长度为n），那没就没有第二关键字，显然a是比aa大的（在字典序里），所以没有第二关键字的排名当然靠前，y此时是第二关键字的排名.第二行就是直接的利用上次的sa来计算.

for(register int i=0;i<n;i++) wv[i]=x[y[i]];
     for(register int i=0;i<m;i++)  ws[i]=0;
     for(register int i=0;i<n;i++) ws[wv[i]]++;
     for(register int i=1;i<m;i++) ws[i]+=ws[i-1];
     for(register int i=n-1;i>=0;i--) sa[--ws[x[i]]]=y[i];

这里是综合第二关键字及第一关键字的sa，还是之前的原理，但是这里是按第一关键字为桶，是因为第一关键字比第二关键字更重要（ac>ca)，就是ws中已经遵守了按第一关键字的排序规则了，因为我们看到 for(register int i=1;i< m;i++) ws[i]+=ws[i-1]，值为i的排名一定是排在值为i-1后面的，这就巧妙地符合了规则，同时再利用y[i]里第二关键字就能得到新的sa。
最后要算出新的x.

for(t=x,x=y,y=t,p=1,x[sa[0]]=0,i=1;i<n;i++)
      x[sa[i]]=cmp(y,sa[i-1],sa[i],j)?p-1:p++;
   }

算出新的x是为了方便下一遍比较关键字的值，就好比我数学考了130分，你也考了130，我们俩从分值来看排名是一样的，这就是x数组.而sa数组是我考了130，你也考了130，但可能因为姓名字母的问题你排的比我次一名——当然，最后的sa（真正的sa）肯定不会出现这种情况，因为后缀长度都不一样，即不可能会存在值相同的情况，这个排名是绝对公平公正的.
比如aabaaaab的例子，x一开始值是11211112，但是这里后缀长度为1后（第一遍循环后），有了第二关键字的插入，应该改为12411123，比如此时第4名在第三位，就是ba；第三名在最后一位，是b（第二关键字无）；第2名在第一位（6），是ab；第一名在0（3,4,5）位置上；这一切符合字典序（在后缀长度为1的情况下），后来不断循环滚动倍增就好啦！

---

Tips：
1.y数组存的是以第二关键字排名的，第一关键字的位置.
2.以第二关键字排名的威力是显现在桶倒着来取的时候，因为此时排名越靠后的只会拿到更大值及排名更靠后的桶.
3.因为桶在不断–，所以也就保证了sa没有重复排名的情况.
4.注意p-1，而不是p++