600秒速读 字符串匹配 KMP算法

基本思想

• 将pattern和text从左到右进行比较，但与brute-force算法相比，KMP能更智能地转换pattern。
• 当不匹配发生时，为了避免冗余的比较，我们能滑动pattern的位置最多是多少?
• 假设问题是在一段Text（T）中找到Pattern（P）为abaaba的字符串，i 和 j 为 T 和 P 的 index，则如上答案，滑动pattern 最大的距离为 P[0…j-1] 的最大前缀同时也是 P[1…j-1] 的后缀。

这里有一些理解上的难度，回过头来看在Text中找到Pattern为abaaba的情况。一个基本事实是当 T 中的 x 与 P 中的 a 不匹配时，已经知道前面五个字符 abaab 是匹配的。而KMP算法则利用已经比较过的字符串，把 pattern 往后继续滑，跳过已经比较过的位置。

KMP Failure Function

原理

• KMP算法预处理pattern。
• KMP算法的预处理部分，Failure function F(j) 被定义为 P[0…j] 的最大子前缀，同时也是
  P[1…j] 的后缀的 size。
• KMP算法将brute-force改变为，如果T和P在 P[j] != T[i] 处不匹配，则设 j ⇐ F(j-1)，然后滑动。
• 这咋整呢？借助部分匹配表（Partial Match Table）！
  
  通俗来讲，即，移动位数 = 已匹配的字符数 - 对应的部分匹配值。这里 j 的最后一位对应的 a 不行，所以找到 j=5 时 F(j)=3，滑3位。
  

部分匹配表（Partial Match Table）

这算是KMP算法中最核心的部分之一了。个人认为任何不涉及PMT的KMP算法介绍都是耍流氓。。。

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。（摘自阮一峰大佬）

以刚才的abaaba为例子，看一下前缀（prefix），后缀（suffix），最长子串（max-substring），最长子串长度（len-max-substring）

	prefix	suffix	max-sub	len-maxsub
a	null	null	null	0
ab	a	b	null	0
aba	a,ab	ba,b	a	1
abaa	a,ab,aba	baa,aa,a	a	1
abaab	a,ab,aba,abba	baab,aab,ab,b	ab	2
abaaba	a,ab,aba,abaa,abaab	baaba,aaba,aba,ba,a	aba	3

岂不美哉！
有了PMT表，可以往后延伸到所谓的Next表。

next表

Next 表是由 PMT 表得到的，做到就是將 PMT 表中的每一個值向后移动 1 位，第一位賦值為 -1。（摘自知乎–小撸伴读）

pattern	a	b	a	a	b	a
PMT	0	0	1	1	2	3
Next	-1	0	0	1	1	2

而这Next表的作用就是刚才讲的：KMP算法将brute-force改变为，如果T和P在 P[j] != T[i] 处不匹配，则设 j ⇐ F(j-1)，然后滑动。

伪代码

Algorithm KMPMatch(T, P)
F ⇐ failureFunction(P)
i ⇐ 0
j ⇐ 0
while i < length(T)
	if T[i] = P[j] then
		if j = length(P) - 1 then
			return i - j { match }
		else
			i ⇐ i + 1
			j ⇐ j + 1
	else
		if j > 0 then
			j ⇐ F[j - 1]
		else
			i ⇐ i + 1
return -1 { no match }

在上述pseudo code中，有：

1. failureFunction 可以用数组表示，在时间复杂度O(m)内计算；
2. 每次while-loop的迭代中，
   • i increases by 1
   • 或者在 i-j 范围内滑动，这里 i-j increases by at least one，(observe that F(j - 1) < j)
3. 因此，在while-loop中，迭代的次数不会超过2n；
4. 综上，KMP算法理想状态下，或者说大部分情况下的时间复杂度是O(m+n)。

示例

图解

Java代码实现

用BoyerMoore算法的话，
KMP算法的实现
然后

参考资料

阮一峰的网络日志
知乎–小撸伴读
昆士兰大学COMP7505课件