字符串匹配之Rabin-Karp算法

字符串匹配之Rabin-Karp算法
上一篇讲解了暴力匹配，暴力匹配最大的问题就是太慢了，而且太暴力了，不符合社会主义价值观。
因此，这里来讲解一个相对快一点的字符串匹配算法。
$Rabin-Karp$算法是$Rabin$和$Karp$两位大佬在$1987$年提出的。
为了能宏观的理解$Rabin-Karp$算法，这里先粗略的概括一下：
例如要在文本$T$中找模式串$P$的位置，用$S$来表示偏移量，$m$和$n$分别表示$T$和$P$的长度

此算法就是通过某种映射关系，把字符串转化为数字，然后通过比较相应位置上数字是否相等，如果数字不相等，说明它所对应的字符串一定不相等，通过这样的排除来缩小要比较的字符串的范围。

下面来做具体说明：
为了便于说明，假设有一串字符是{$0，1，2...9$}的集合，(这里假定以d为基数表示每一个字符，可以理解为d进制，其中d的大小为集合的长度，ps这里看不懂没关系，先向后看)
例如，上述的字符集在$0-9$的范围，可以表示为$10$进制的数。因此，字符串”$31415$”对应的十进制数为$31415$。

在比较数字之前，我们得先对文本串$T$和模式串$P$做好相应的映射关系，对于文本串$T，S$每向后偏移一格，需要把$T[S..S+m]$的字符映射为一个数字

对于上图的映射，我们能在$O(m)$的时间计算出$31415$，在$O(n-m)$的时间内映射出文本$T$每一个偏移$S$所对应的数字$t_s$。

$t_{s+1} = 10(t_s-10^{m-1}T[s+1])+T[s+m+1]$

例如：$t_2=10*(23590-10^4*2)+2 = 35902$

因此，我们只要在$O(n-m+1)$的时间内遍历映射数组和$31415$作比较，便能找出字符串匹配时的偏移量$S$。

到这里，算法似乎已经接近尾声了，但是我们忽略了一个问题，映射出的数字太大以至于比较效率仍没有提高。解决的办法是，取一个合适的模$q$(一般选素数)，$q$的选取条件为：对于$d$进制的字母表{$0，1，...，d-1$}，选取一个$q$值，使得$dq$在一个计算机字长内，因此，映射的公式变为了：

$t_{s+1} = (d(t_s-T[s+1]d^{m-1}(modq))+T[s+m+1])modq$

在加入取模$q$后，映射的值相等并不能说明原来的字符串相等(不同的字符串可能映射出相同的值)，但是可以通过这种关系排除大多数的不相等的字符串，从而降低字符串比较的代价。

//d为基数,q为素数
//处理一般ASCII常用字符,d取128,q取6999997
void RKSearch(const char* T,const char* P,int d = 128,int q = 6999997)
{
    int n = strlen(T);
    int m = strlen(P);
    int h = ((int)pow((double)d, m - 1)) % q;
    int p = 0, t = 0;

    int i = 0;
    for (; i < m; ++i)//预处理
    {
        p = (d*p + P[i]) % q;
        t = (d*t + T[i]) % q;
    }
    int s = 0;
    for (; s < n - m+1; ++s)//匹配
    {
        if (p == t)
        {
            int i = s, j = 0;
            for (; j < m - 1;)//进一步筛选
            {
                if (T[i] == P[j]) ++i, ++j;
                else break;
            }
            if (T[i] == P[j])
                printf("%d\n", s);
        }
        if (s < n - m)//更新t为ts+1
            t = (d*(t - T[s] * h%q+q) +( T[s + m])) % q;
    }
}

上述代码中，$d$表示字符集的个数，即$d$进制，比如处理的字符在$ASSIC$常用字符，$d$取$128$，如果处理一般的$ASSIC$，$d$和$q$可以直接取代码中的默认值。代码的第$19$行表示两个字符串取模相等的情况，第$21~28$行判断取模相等的字符串是否匹配，第$30、31$行为更新$t_s。$

$RK$算法的预处理时间为$O(m)$，最坏的情况下匹配时间为$O((n-m+1)m)$，比如所每一个映射出的值都相等，这种情况比暴力算法还要多个预处理时间，这个算法的总体时间并不比暴力算法快多少，但它在综合情况下，对于某些情况很实用，比如说抄袭检测，只需要把库文件做一次预处理，就可以检测大量的模式串。

参考资料：《算法导论》