模式匹配算法：KMP算法

想获得更佳阅读体验？戳我戳我快戳我！

模式匹配算法：KMP算法

Guderian出品

模式匹配是数据结构中字符串的一种基本运算，给定一个字符串P，要求在某个字符串T中找出与字符串P相同的所有子串，这就是模式匹配。

模式匹配算法要解决的问题

• detection ：P是否出现
• location ：首次在哪里出现
• counting ：共有几次出现
• enumeration ：各出现在哪里？

绪论

KMP算法（全称Knuth-Morris-Pratt算法）是一种高效的模式匹配算法。在模式匹配算法中，常见的算法包括BF算法（朴素算法）、KMP算法、BM算法、RK算法、有限自动机算法、Horspool算法、Sunday算法。在这些算法中，最经典的算法非KMP算法和BM算法莫属。这两种算法都有一个共同点：抽象，理解难度大。实际上，KMP算法还有一个明显特点：会者不难。本文内容默认你已经明白BF算法的原理和不足（因此这部分内容将简单略过），展开讲述KMP算法的原理、优点和c++代码实现。相信你在学会KMP算法之后将会有一种“踏遍青山人未老，这边风景独好”的快意。让我们开始吧。

BF算法

BF算法的本质就是暴力搜索。既然要在串T中找出与串P相同的所有子串，那不妨找出串T中所有与串P长度相同的子串，在逐个判断这个子串是否与串P相同。具体的例子点击这里（讲得很形象了，应该不会有理解上的困难）。设strlen(T) == n, strlen(P) == m，则BF算法的预处理时间为$0$，匹配时间为$O(mn)$，总时间复杂度为$O(mn)$（简直是蜗速），在大部分应用场景中并不优秀。

KMP算法

更高的效率

容易看出BF算法的效率是十分蹩脚的，而它蹩脚的原因也很明显：在一次匹配尝试中，一旦失配（某一位匹配失败），就把串P整体向右移动一位。在模拟算法运行过程中，我们发现如果开始匹配时第一位就失配，那么只向右移动一位的确无可厚非，毕竟说不定移动一位之后就会匹配成功呢；但是如果已经匹配了串P的一部分了才失配，在向右移动一位之后，有时候（而且往往是经常）我们发现依然注定会匹配失败，也就是说在上次失败之后，向右移动一位再做尝试是根本不必要的，这种“只移动一位”的策略实际上造成了巨大的步骤浪费。那么有没有办法，把这些不必要的尝试舍弃，节约算法的运行时间呢？

此处我们需要考虑以下问题，以便对BF算法做出有效的改进：

• 为什么有一些尝试是注定徒劳的？
• 如何判断哪些尝试需要舍弃？
• 如果不是向右移动一位，又应该如何确定向右移动的位数？

在看完点击这里（还是上面那个链接）之后，前两个问题都能得到答案。在链接的视频讲解中，讲述者构造了一个前缀表数组prefix table来确定串P中每个从头开始的子串的最长公共前后缀（自身除外，以下省略此说明），一旦失配，就把串P向右移动到失配位置左侧子串的最长前缀处，使它们重叠，也就是把下图中的1号移动到2号位置，继续从当前位置匹配，如果当前位置为串T的结尾，则结束匹配。

那么问题来了：为什么要把最长公共前缀移动至最长公共后缀的位置？这个移动距离能不能更短？能不能更长？

引理 串的最长公共前后缀的最长公共前后缀是原串的次长公共前后缀。

证明 略（逃

实际上，在BF算法的一次匹配过程中，一旦失配，就把串P整体向右移动一位再次尝试匹配。假设第一次匹配时在串P的第r + 1位失配，此时已经确定串P失配位置的前r项与串T相应位置元素匹配，也确定了串P失配位置的前r - 1项与串T相应位置元素匹配。那么第二次匹配成功，当且仅当在串P的前r项组成的子串中，前r - 1位字符组成的前缀和后r - 1位字符组成的后缀相同，即某一个公共前后缀长度为r - 1。也就是说，如果匹配失败向右移动s位，那么再次匹配成功的必要条件是串P在失配位置前的子串的某一个公共前后缀长度为r - s。如果串P在失配位置前的子串的最长公共前后缀长度就是r - s，匹配失败后向右移动了不足s位，这意味着移动距离过短，将会做一遍无用功。

如果移动距离过长，那就有可能会错过一个成功的匹配。如果匹配失败向右移动s位，那么再次匹配成功的必要条件是串P在失配位置前的子串的某一个公共前后缀长度为r - s。注意这里是必要条件而不是充分条件，在把串P向右移动的过程中，并不是在失配位置前随便放一个公共前后缀都能匹配成功，我们需要从最长公共前后缀开始尝试，逐步减少原失配位置前子串的长度，直到匹配成功或者串P在失配位置前子串最长公共前后缀长度变为0。

此处我们引入next[]数组来记录在失配时应该把串P的哪一位移动到当前位置。对于串P的第j + 1位的字符来说，next[j + 1]的意义是由串P的前j项的子串中最长公共前后缀的长度。next[]数组是KMP算法降低时间复杂度的关键，在预处理时就已经确定。下面介绍next[]数组求法。

next数组求法

如果你直接跳过了前面看到了这里，那说明你已经看了无数多参考资料，还是搞不懂next[]数组求法的原理，几乎走投无路了。但是，正如B站鬼畜区某神所言：

~我们遇到什么困难也不要怕，微笑着面对它！消除恐惧的最好办法就是面对恐惧！坚持就是胜利！加油！奥利给！~

回到正题。

先考虑求next[]数组的朴素算法：我们要求一个长度为l的串S的最长公共前后缀，因为自身除外，所以把串S复制一遍，产生一个串S'，并让串S'的第1位对齐串S的第2位，尝试匹配剩余l - 1位。若匹配成功，则剩余l - 1位就是串P的最长公共前后缀；若匹配失败，则把串S'向右移动1位，再次尝试，知道匹配成功或串S'已被移出串S的范围之内。

等一等，为什么这波操作如此熟悉？（战术后仰

是的，这就是所谓的“串P匹配自身”，有没有办法可以优化以上的朴素算法呢？

我们的任务是求出串P每一个由前j项元素组成的子串的最长公共前后缀的长度。假设串P从字符串下标1开始存储，规定next[1] = 0，并从第2位开始匹配。设用串P'匹配串P，当前匹配位置是串P'的第j + 1位，串P的第i位，如果失配，那么处理方法同上面介绍的一样，把串P'向右移动到失配位置左侧子串的最长前缀处，即令j = next[j]（思想：回溯），使它们重叠，即把下图中的1号移动到2号位置，继续从当前位置匹配；如果第j + 1位匹配成功，则更新串P前i位元素组成的子串的最长公共前后缀的长度为j，即令next[i] = j。

你已经明白了KMP算法的原理，那么不难推算出KMP算法的时间复杂度：预处理时间为$\Theta (m)$，匹配时间为$\Theta (n)$，总时间复杂度为$\Theta (m+n)$。与BF算法相比，KMP算法是一种优秀的模式匹配算法。

伪代码

KMP-MATCHER(T, P)

n = T.length
m = P.length

next = COMPUTE-PREFIX-FUNCTION(P)

j = 0
for i = 1 to n
	while j > 0 and P[j + 1] != T[i]
		j = next[j]
	if P[j + 1] == T[j]
		j = j + 1
    if j == m
    	print "Pattern occurs with shift" i - m
    	j = next[j]
    	
COMPUTE-PREFIX-FUNCTION(P)

m = P.length
let next[1..m] be a new array
next[1] = 0
j = 0
for i = 2 to m
	while j > 0 and P[j + 1] != T[i]
		j = next[j]
	if P[j + 1] == T[j]
		j = j + 1
    next[i] = j
return next

例题：KMP算法模版

题目描述

输入两个字符串$s1$和$s2$（皆从下标为$1$处开始存储），$s2$为$s1$的子串，输出$s2$在$s1$中所有出现位置的下标。

输入格式

第一行为$s1$，第二行为$s2$

输出格式

每行一个正整数表示s2在s1中出现的位置

输入样例

123456123
123

输出样例

1
7

说明/提示

$s1$和$s2$的长度在$1000000$之内

运行速度不能太慢

解题方法

//Presented by G-SS-Hacker
//cc BY-NC-SA 4.0
//Run on C++

#include <iostream>
#include <cstring>

using namespace std;

const int MAXN = 1000000 + 100;
const int MAXM = 1000000 + 100;

//next,x0,x1,y0,y1,index cannot be named to variables
int nxt[MAXM];	//nxt[i]表示字串1到i最长公共前后缀的长度
int len1, len2;
char s1[MAXN], s2[MAXM];

void pre()
{
	for(int j = 0, i = 2; i <= len2; i++)
	{
		while(j && s2[i] != s2[j + 1])
			j = nxt[j];
		if(s2[i] == s2[j + 1])
			j++;
		nxt[i] = j;
	}
}

void kmp()
{
	for(int j = 0, i = 1; i <= len1; i++)
	{
		while(j && s1[i] != s2[j + 1])
			j = nxt[j];
		if(s1[i] == s2[j + 1])
			j++;
		if(j == len2)
			cout << i - len2 + 1 << endl, j = nxt[j];
	}
}

int main()
{
	cin >> s1 + 1 >> s2 + 1;

	len1 = strlen(s1 + 1);
	len2 = strlen(s2 + 1);

	pre();
	kmp();

	for(int i = 1; i <= len2; i++)
		cout << nxt[i] << " ";

	return 0;
}

结束语

~我们遇到什么困难也不要怕，微笑着面对它！消除恐惧的最好办法就是面对恐惧！坚持就是胜利！加油！奥利给！~

---

图：北京航空航天大学

想获得更佳阅读体验？戳我戳我快戳我！