背景知识回顾
之前的文章中讲了字符串匹配问题中的单模匹配问题,即从一段文本串中找到另一个字符串是否出现过。
母串(文本串)是指要从哪个字符串中查找,模式串指的是要查找哪个字符。
之后介绍了暴力匹配算法,即从文本串中逐位向后和模式串比较。
此外还介绍过KMP匹配算法,这种算法适合处理流式字符。
还介绍了较为简单的Sunday算法,适合在一长段文本中寻找一个固定的模式串。
shift_and 算法理论介绍
shift_and算法的总体思路是把模式串预处理成一种特殊编码形式,然后根据这种编码形式去逐位匹配文本串。下面依次介绍。
-
模式串的预处理
假设模式串为 " a c b a c e " "acbace" "acbace", 对每个字符分别进行编码。" a " "a" "a"出现在第0位和第3位,则编码结果为 2 0 + 2 3 = 9 2^0 + 2^3 = 9 20+23=9;
" b " "b" "b"出现在第2位,则编码结果为 2 2 = 4 2^2 = 4 22=4;
依次类推,每一位的编码结果如下:
-
文本串的逐位匹配
针对每一位文本串字符,定义一个对应的状态码数字P,P的第 i i i 位为1,则表示以这一位文本串为末尾时,能和模式串的 0 0 0 到 i i i 位置能完全匹配。
例如模式串为
"
a
c
b
a
c
e
"
"acbace"
"acbace", 对于文本串
"
.
.
.
a
c
b
a
e
f
.
.
.
"
"...acbaef..."
"...acbaef..."的第二个
"
a
"
"a"
"a"字符,以这个
"
a
"
"a"
"a"字符作为结尾时,其可能和模式串的第0位
p
a
t
t
e
r
n
[
0
]
pattern[0]
pattern[0]完全匹配,也可能和前三位
p
a
t
t
e
r
n
[
0
:
3
]
pattern[0:3]
pattern[0:3]完全匹配,所以这个
"
a
"
"a"
"a" 字符的状态码就是
P
=
2
0
+
2
3
=
9
P = 2^0+2^3 = 9
P=20+23=9。
初始状态 P = 0 P = 0 P=0。
假设之前的状态码 P P P已经确定,例如上面的例子 P = 2 0 + 2 3 P = 2^0 + 2^3 P=20+23,那么对于一个新的文本串字符 t e x t [ i ] text[i] text[i] 而言,已知模式串的前0位或前3位能被完全匹配,那么就检查text[i]和模式串的第1位或第4位是不是能完全匹配。
即新的状态码应等于 ( P < < 1 ) & ( c o d e [ t e x t [ i ] ] ) (P << 1) \ \& \ (code[text[i]]) (P<<1) & (code[text[i]]) ;
还有一种情况 如果 c o d e [ t e x t [ i ] ] code[text[i]] code[text[i]] 正好等于1,即 t e x t [ i ] text[i] text[i]字符正好是模式串的第0位,那么新的P的二进制第0位也应该是1.
综合上面两种情况,新的P 应为 ( ( P < < 1 ) ∣ 1 ) & c o d e [ t e x t [ i ] ] ((P << 1) \ \ | \ \ 1) \ \ \& \ \ code[text[i]] ((P<<1) ∣ 1) & code[text[i]]
如果匹配到某一位发现状态码P的二进制第n位是1(n为模式串字符的长度),则说明模式串被完全匹配,即匹配成功。
shift_and 算法代码实现
#include <string>
#include <iostream>
#include <cstdio>
using namespace std;
int shift_and(const char *text, const char *pattern) {
#define BASE 256
int code[BASE], n, P = 0;
for (int i = 0; i < BASE; i++) code[i] = 0; //状态码初始化为 0
for (n = 0; pattern[n]; n++) code[pattern[n]] |= (1 << (n)); //模式串预处理
for (int i; text[i]; i++) {
P = (P << 1 | 1) & code[text[i]]; //状态码转换
if (P & (1 << (n - 1))) return i - n + 1; //P的二进制第n位为1,说明匹配成功
}
return -1;
}
#define TEST(func, s, t) {\
printf("%s(\"%s\", \"%s\") = %d\n", #func, s, t, func(s, t));\
}\
int main() {
char s[200], t[200];
while (cin >> s >> t) {
TEST(shift_and, s, t);
}
return 0;
}
代码总结:由代码可见,算法的时间复杂度为O(n)。
shift_and 算法应用场景
- 相当于状态机:由代码部分可见,整个匹配过程主要在于状态码P的转换,即相当于状态机。
- 可以处理流式数据:代码部分亦可看出,对于 t e x t [ i ] text[i] text[i]字符状态码的确定,不依赖后面的字符,所以shift_and算法也可以用于处理流式数据。
- 可以处理复杂的正则匹配:例如模式串为正则表达式: ( a ∣ b ∣ c ) & ( b ∣ c ) & e & ( b ∣ c ∣ f ) (a | b | c) \& (b | c) \& e \& (b | c | f) (a∣b∣c)&(b∣c)&e&(b∣c∣f),即希望匹配到的第一位为 a a a或 b b b或 c c c,第二位为 b b b或 c c c,第三位为 e e e,第四位为 b b b或 c c c或 f f f。这种情况下同样可以利用上面shift_and对应的预处理编码方法,例如 a a a 只在第0位出现,则 c o d e [ a ] = 1 = 2 0 code[a] = 1 = 2^0 code[a]=1=20, b b b 在第0,1,3位出现,则 c o d e [ b ] = 2 0 + 2 1 + 2 3 = 11 code[b] = 2^0 + 2^1 + 2^3 = 11 code[b]=20+21+23=11。后面的过程就像上面代码中那样正常匹配即可。