问题描述
给定一个字符串,求出其可重叠最长重复子串
例如:abcdabcd
最长重复子串是 abcd,最长重复子串可以重叠
例如:abcdabcda,这时最长重复子串是 abcda,中间的 a 是被重叠的。
直观的解法是,首先检测长度为 n - 1 的字符串情况,如果不存在重复则检测 n - 2, 一直递减下去,直到 1 。
这种方法的时间复杂度是 O(N * N * N),其中包括三部分,长度纬度、根据长度检测的字符串数目、字符串检测。
改进的方法是利用后缀数组
后缀数组是一种数据结构,对一个字符串生成相应的后缀数组后,然后再排序,排完序依次检测相邻的两个字符串的开头公共部分。
这样的时间复杂度为:生成后缀数组 O(N),排序 O(NlogN*N) 最后面的 N 是因为字符串比较也是 O(N)
依次检测相邻的两个字符串 O(N * N),总的时间复杂度是 O(N^2*logN),优于第一种方法的 O(N^3)
对于类似从给定的文本中,查找其中最长的重复子字符串的问题,可以采用“后缀数组”来高效地完成此任务。后缀数组使用文本本身和n个附加指针(与文本数组相应的指针数组)来表示输入文本中的n个字符的每个子字符串。
首先,如果输入字符串存储在c[0..n-1]中,那么就可以使用类似于下面的代码比较每对子字符串:
1. int main(void)
2. {
3. int i , j , thislen , maxlen = -1;
4. ......
5. ......
6. ......
7. for(i = 0 ; i < n ; ++i )
8. {
9. for(j = i+1 ; j < n ; ++j )
10. {
11. if((thislen = comlen(&c[i] , &c[j])) > maxlen)
12. {
13. maxlen = thislen;
14. maxi = i;
15. maxj = j;
16. }
17. }
18. }
19. ......
20. ......
21. ......
22. return 0;
23. }
当作为comlen函数参数的两个字符串长度相等时,该函数便返回这个长度值,从第一个字符开始:
1. int comlen( char *p, char *q )
2. {
3. int i = 0;
4. while( *p && (*p++ == *q++) )
5. ++i;
6. return i;
7. }
由于该算法查看所有的字符串对,所以它的时间和n的平方成正比。下面便是使用“后缀数组”的解决办法。
如果程序至多可以处理MAXN个字符,这些字符被存储在数组c中:
1. #define MAXCHAR 5000 //最长处理5000个字符
2. char c[MAXCHAR], *a[MAXCHAR];
在读取输入时,首先初始化a,这样,每个元素就都指向输入字符串中的相应字符:
1. n = 0;
2. while( (ch=getchar())!='\n' )
3. {
4. a[n] = &c[n];
5. c[n++] = ch;
6. }
7. c[n]='\0'; // 将数组c中的最后一个元素设为空字符,以终止所有字符串
这样,元素a[0]指向整个字符串,下一个元素指向以第二个字符开始的数组的后缀,等等。如若输入字符串为"banana",该数组将表示这些后缀:
a[0]:banana
a[1]:anana
a[2]:nana
a[3]:ana
a[4]:na
a[5]:a
由于数组a中的指针分别指向字符串中的每个后缀,所以将数组a命名为"后缀数组"
第二、对后缀数组进行快速排序,以将后缀相近的(变位词)子串集中在一起
qsort(a, n, sizeof(char*), pstrcmp)后
a[0]:a
a[1]:ana
a[2]:anana
a[3]:banana
a[4]:na
a[5]:nana
第三、使用以下comlen函数对数组进行扫描比较邻接元素,以找出最长重复的字符串:
1. for(i = 0 ; i < n-1 ; ++i )
2. {
3. temp=comlen( a[i], a[i+1] );
4. if( temp>maxlen )
5. {
6. maxlen=temp;
7. maxi=i;
8. }
9. }
给定一个字符串,求出其可重叠最长重复子串
例如:abcdabcd
最长重复子串是 abcd,最长重复子串可以重叠
例如:abcdabcda,这时最长重复子串是 abcda,中间的 a 是被重叠的。
直观的解法是,首先检测长度为 n - 1 的字符串情况,如果不存在重复则检测 n - 2, 一直递减下去,直到 1 。
这种方法的时间复杂度是 O(N * N * N),其中包括三部分,长度纬度、根据长度检测的字符串数目、字符串检测。
改进的方法是利用后缀数组
后缀数组是一种数据结构,对一个字符串生成相应的后缀数组后,然后再排序,排完序依次检测相邻的两个字符串的开头公共部分。
这样的时间复杂度为:生成后缀数组 O(N),排序 O(NlogN*N) 最后面的 N 是因为字符串比较也是 O(N)
依次检测相邻的两个字符串 O(N * N),总的时间复杂度是 O(N^2*logN),优于第一种方法的 O(N^3)
对于类似从给定的文本中,查找其中最长的重复子字符串的问题,可以采用“后缀数组”来高效地完成此任务。后缀数组使用文本本身和n个附加指针(与文本数组相应的指针数组)来表示输入文本中的n个字符的每个子字符串。
首先,如果输入字符串存储在c[0..n-1]中,那么就可以使用类似于下面的代码比较每对子字符串:
1. int main(void)
2. {
3. int i , j , thislen , maxlen = -1;
4. ......
5. ......
6. ......
7. for(i = 0 ; i < n ; ++i )
8. {
9. for(j = i+1 ; j < n ; ++j )
10. {
11. if((thislen = comlen(&c[i] , &c[j])) > maxlen)
12. {
13. maxlen = thislen;
14. maxi = i;
15. maxj = j;
16. }
17. }
18. }
19. ......
20. ......
21. ......
22. return 0;
23. }
当作为comlen函数参数的两个字符串长度相等时,该函数便返回这个长度值,从第一个字符开始:
1. int comlen( char *p, char *q )
2. {
3. int i = 0;
4. while( *p && (*p++ == *q++) )
5. ++i;
6. return i;
7. }
由于该算法查看所有的字符串对,所以它的时间和n的平方成正比。下面便是使用“后缀数组”的解决办法。
如果程序至多可以处理MAXN个字符,这些字符被存储在数组c中:
1. #define MAXCHAR 5000 //最长处理5000个字符
2. char c[MAXCHAR], *a[MAXCHAR];
在读取输入时,首先初始化a,这样,每个元素就都指向输入字符串中的相应字符:
1. n = 0;
2. while( (ch=getchar())!='\n' )
3. {
4. a[n] = &c[n];
5. c[n++] = ch;
6. }
7. c[n]='\0'; // 将数组c中的最后一个元素设为空字符,以终止所有字符串
这样,元素a[0]指向整个字符串,下一个元素指向以第二个字符开始的数组的后缀,等等。如若输入字符串为"banana",该数组将表示这些后缀:
a[0]:banana
a[1]:anana
a[2]:nana
a[3]:ana
a[4]:na
a[5]:a
由于数组a中的指针分别指向字符串中的每个后缀,所以将数组a命名为"后缀数组"
第二、对后缀数组进行快速排序,以将后缀相近的(变位词)子串集中在一起
qsort(a, n, sizeof(char*), pstrcmp)后
a[0]:a
a[1]:ana
a[2]:anana
a[3]:banana
a[4]:na
a[5]:nana
第三、使用以下comlen函数对数组进行扫描比较邻接元素,以找出最长重复的字符串:
1. for(i = 0 ; i < n-1 ; ++i )
2. {
3. temp=comlen( a[i], a[i+1] );
4. if( temp>maxlen )
5. {
6. maxlen=temp;
7. maxi=i;
8. }
9. }
10. printf("%.*s\n",maxlen, a[maxi]);
完整代码:
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#define N 5000
char c[N],*a[N];
int cmp(const void *a ,const void *b)
{
return strcmp(*(char**)a,*(char**)b);
}
int comlen(char *p,char *q)
{
int i=0;
while(*p && ( *p++ == *q++ ))
i++;
return i;
}
int main()
{
char ch;
int n,i,temp,maxlen,maxi;
n=0;
while((ch=getchar())!='\n')
{
a[n]=&c[n];
c[n++]=ch;
}
c[n]='\0'; // 将数组c中的最后一个元素设为空字符,以终止所有字符串
qsort(a,n,sizeof(a[0]),cmp);
for(i=0;i<n;i++)
printf("%s\n",a[i]);
maxlen=0; maxi=0;
for(i=0;i<n-1;i++)
{
temp=comlen(a[i],a[i+1]);
if(temp>maxlen)
{
maxlen=temp;
maxi=i;
}
}
printf("%d %s\n",maxlen,a[maxi]);
return 0;
}
kmp求法:
#include<stdio.h>
#include<string.h>
#define N 1000
int next[N];
char str[N];
void getnext(char *str)
{
int i,j,n;
n=strlen(str);
i=0; j=-1; next[0]=-1;
while(i<n)
{
if(j==-1||str[i]==str[j])
{
i++; j++;
next[i]=j;
}
else j=next[j];
}
}
int main()
{
char *s;
int i,j,maxlen;
while(scanf("%s",str)!=EOF)
{
s=str; maxlen=-1;
for(i=0;*s!='\0';s++,i++)
{
getnext(s);
for(j=0;j<=strlen(s);j++)
{
if(next[j]>maxlen)
maxlen=next[j];
}
}
printf("%d\n",maxlen);
}
return 0;
}