字符串匹配的KMP算法

　　字符串匹配是计算机的基本任务之一。

　　举例来说，有一个字符串"BBC ABCDAB ABCDABCDABDE"，我想知道，里面是否包含另一个字符串"ABCDABD"？

　　许多算法可以完成这个任务，Knuth-Morris-Pratt算法（简称KMP）是最常用的之一。它以三个发明者命名，起头的那个K就是著名科学家Donald Knuth。

　　下面，我用自己的语言，试图写一篇比较好懂的KMP算法解释。

　　1.

　　首先，字符串"BBC ABCDAB ABCDABCDABDE"的第一个字符与搜索词"ABCDABD"的第一个字符，进行比较。因为B与A不匹配，所以搜索词后移一位。

　　2.

　　因为B与A不匹配，搜索词再往后移。

　　3.

　　就这样，直到字符串有一个字符，与搜索词的第一个字符相同为止。

　　4.

　　接着比较字符串和搜索词的下一个字符，还是相同。

　　5.

　　直到字符串有一个字符，与搜索词对应的字符不相同为止。

　　6.

　　这时，最自然的反应是，将搜索词整个后移一位，再从头逐个比较。这样做虽然可行，但是效率很差，因为你要把"搜索位置"移到已经比较过的位置，重比一遍。

　　7.

　　注：上面的字符串记为“文本串”，下面的记为“模版串”。

     一个基本事实是，当空格与D不匹配时，你其实知道模版串的前面六个字符是"ABCDAB"。KMP算法的想法是，

(1)文本串的指针位置（记为 i ）不变；

(2)设法利用 “某些信息”，不要把模版串的"搜索位置（记为 j )"移回 模版串的起点，也就是0，

而是把 j 移动到"合适"的位置(记为 f[j] )继续和文本串的当前位置 i 比较，这样就提高了效率。

　　8.

　　注：比如虚线前面的字符串 ABCDAB 的前缀和后缀的最大匹配值是2， 因为 AB=AB，所以第二个B那个位置的值为2

     怎么做到这一点呢？可以针对 模版串，算出一张《 模版串的前后缀的最大匹配值 》。这张表的作用就是 在当前文本串的字符 T[i] 和模版串的字符 P[j] 不匹配时，告诉我们文本串的 T[i] 字符应该和 模版串的哪个字符再来比较。

注意：这张表不是f[]的值， 将这个数组 的值整体向后移一位，然后第一个位置补上0就好了。

下面的失配位置都是 f[] 数组了

　9.

　　已知空格与D不匹配时，前面六个字符"ABCDAB"是匹配的。查表可知，最后一个匹配字符B对应的"失配位置"为2，所以我们应该直接拿模版串的第二个位置来和” “比较，也就是把模版串右移4位。

　　10.

　　因为空格与Ｃ不匹配，搜索词还要继续往后移。这时，已匹配的字符数为2（"AB"），对应的"失配位置"为0。所以，j 移动到0.

　　11.

　　因为空格与A不匹配，所以只能文本串后移一位。（j 已经为0，最小了）

　　12.

　　逐位比较，直到发现C与D不匹配。j 转移到 （ABCDAB)的最大匹配长度 2 上。  j 指向2 表示，已经匹配了2个字符（AB）【因为D前面的AB我们已经和文本串匹配，所以模版串没有必要再回去了】，正在匹配 下标为2的字符 D 与文本串 T[i].

　　13.

　　逐位比较，直到搜索词的最后一位，发现完全匹配，于是搜索完成。如果还要继续搜索（即找出全部匹配），移动位数 = 7 - 0，再将搜索词向后移动7位，这里就不再重复了。

　　14.

　　下面介绍《 f 数组》是如何产生的。

　　首先，要了解两个概念："前缀"和"后缀"。 "前缀"指除了最后一个字符以外，一个字符串的全部头部组合；"后缀"指除了第一个字符以外，一个字符串的全部尾部组合。

　　15.

　　"失配位置"就是"前缀"和"后缀"的最长的共有元素的长度。以"ABCDABD"为例，

　　－　"A"的前缀和后缀都为空集，共有元素的长度为0；

　　－　"AB"的前缀为[A]，后缀为[B]，共有元素的长度为0；

　　－　"ABC"的前缀为[A, AB]，后缀为[BC, C]，共有元素的长度0；

　　－　"ABCD"的前缀为[A, AB, ABC]，后缀为[BCD, CD, D]，共有元素的长度为0；

　　－　"ABCDA"的前缀为[A, AB, ABC, ABCD]，后缀为[BCDA, CDA, DA, A]，共有元素为"A"，长度为1；

　　－　"ABCDAB"的前缀为[A, AB, ABC, ABCD, ABCDA]，后缀为[BCDAB, CDAB, DAB, AB, B]，共有元素为"AB"，长度为2；

　　－　"ABCDABD"的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB]，后缀为[BCDABD, CDABD, DABD, ABD, BD, D]，共有元素的长度为0。

　　

16.

　　"失配位置"的实质是，有时候，字符串头部和尾部会有重复。比如，"ABCDAB"之中有两个"AB"，那么它的"部分匹配值"就是2（"AB"的长度）。搜索词移动的时候，第一个"AB"向后移动4位（字符串长度-部分匹配值），就可以来到第二个"AB"的位置。

 

代码的理解：

1.f[] 数组    当成是状态机  ，也就是 j 的路径转移图。 匹配成功是 ++j,匹配失败是 j=f[j]；所以可以把f[]数组看成是 j 的合法的路径转移图

2. j              表示 已经匹配了 j 个字符，当前正在匹配 j（从0开始） 号下标的字符