字符串匹配——KMP算法

1.什么是KMP算法？

        KMP算法（Knuth-Morris-Pratt Algorithm），是由Donald Knuth、Vaughan Pratt和James H. Morris三位计算机科学家于1970年代共同提出的字符串搜索算法。它是一种改进的字符串匹配算法，主要用于在一个较大的文本串（通常称为“主串”）中查找一个模式串（Pattern）出现的所有位置。

        在朴素的字符串匹配算法中，当模式串与主串部分匹配但最后发生失配时，需要将模式串回溯到起始位置重新开始匹配。而KMP算法通过预处理模式串并构建一个前缀函数或Next数组，记录了模式串中每一个前缀与后缀的最大相同前缀长度，这样在失配时无需回溯整个模式串，而是利用这个已知信息直接移动模式串指针至适当的位置继续匹配，从而极大地提高了匹配效率。

        KMP算法的时间复杂度为O(n + m)，其中n是主串的长度，m是模式串的长度。即使在最坏的情况下，也能避免不必要的字符比较，保证了高效的搜索性能。

2.举例说明

假设我们有一个主串 S = "ababcabcabcdabcde"，我们要在其中查找模式串 P = "abcabc"。

朴素的字符串匹配方法是逐个比较字符：

1. 从主串开始位置开始，将 P[0] 与 S[0] 进行比较。
2. 如果相等，则继续比较 P[1] 和 S[1]，直到某个位置不匹配（例如 S[3] != P[3]）或者完全匹配成功（即 P[m-1] 与 S[n-m+1] 匹配）。
3. 不匹配时，主串需要回溯一位，然后重新从头开始比较。

而对于KMP算法，首先预处理模式串得到Next数组（也称部分匹配表），如下所示：

• P = "abcabc"
• Next数组：[0, 0, 0, 1, 2, 0]

接下来进行搜索：

1. 将 P[0] 与 S[0] 比较，相等，继续比较下一个。
2. 当 S[3] != P[3] 发生失配时，由于 Next[3] 的值为1，我们知道不需要回溯整个模式串，而是直接将模式串右移1位，使得 P[1] 对齐到 S[3] 继续比较。
3. 继续这个过程，最终找到第一个匹配的位置 S[3]。

通过KMP算法，我们可以避免不必要的字符回溯和重复比较，从而提高效率。在上述例子中，最终会找到两个匹配的位置，分别是 S[3] 和 S[9]。

那么Next数组中的值怎么来的呢？

Next数组（部分匹配表）的构建是KMP算法的核心预处理步骤。它记录了模式串中每个位置之前的子串中，最长相同前后缀长度的信息。

以字符串 "abcabc" 为例来说明如何构建Next数组：

1. P[0] 为起始字符，没有前缀和后缀，因此 Next[0] = 0。
2. 检查 P[1]，其前缀只有空串，后缀为 "b"，两者无相同部分，所以 Next[1] = 0。
3. 对于 P[2]，它的前缀和后缀分别是 "a" 和 "bc"，它们没有相同的字符，所以 Next[2] = 0。
4. 当检查到 P[3] 时，前缀为 "ab"，后缀也为 "bc"，这时发现有一个共同的前缀 "b"，但我们需要找到最长的相同前后缀，所以 Next[3] 的值应该是 "b" 前面那个位置的 Next 数组值，即 Next[1]（因为这里没有更长的相同前后缀），所以 Next[3] = 0。
5. 到 P[4] 时，前缀为 "abc"，后缀为 "c"，没有公共部分，因此 Next[4] = 0。
6. 最后检查 P[5]，前缀为 "abca"，后缀为 "bc"，这里有公共部分 "bc"，且是最长相同前后缀，那么 Next[5] 应该指向这个公共部分在原字符串中的位置（而不是它自身的位置），也就是 Next[3]，因此 Next[5] = 1。

最终得到的Next数组为 [0, 0, 0, 1, 2, 0]。

注意：上述例子中，在构造Next数组时忽略了计算过程中可能存在的更长相同前后缀，实际操作时需要确保找到最长相同前后缀长度。正确的Next数组应为 [0, 0, 0, 0, 1, 2]，其中对于 P[3] 来说，并没有长度大于0的相同前后缀，所以 Next[3] = 0。

所谓的前缀和后缀，

前缀（prefix）是指从字符串的起始位置开始到任意一个位置结束的部分。例如，在字符串 "abcde" 中，前缀包括：

• 空串 ""
• "a"
• "ab"
• "abc"
• "abcd"
• "abcde"

后缀（suffix）则是指从字符串的某个位置开始直到末尾的部分。对于同一字符串 "abcde"，其后缀包括：

• "e"
• "de"
• "cde"
• "bde"
• "bcde"
• "abcde"

       在KMP算法构建Next数组的过程中，我们需要找到模式串P每个位置i之前的子串所对应的最长相同前后缀长度。这里的“相同前后缀”指的是同一个子串既是该位置之前的某个子串的后缀，也是它自己的前缀。

       举个例子，对于字符串 "abcaba"，在索引为5的位置时，前缀是 "abcaba"，后缀是 "ba"，它们的公共部分是 "a"，所以这个位置的最长相同前后缀长度就是1。而在索引为3的位置处，前缀是 "abcab"，后缀是 "ab"，它们有相同的 "ab" 子串，因此最长相同前后缀长度为2。