字符串匹配算法之BF暴力匹配算法与RK哈希匹配算法

下面几篇数据结构理论方面的文章，将会从字符串匹配算法开始说，因为刷leetcode被很多字符串的题难到了，就来学习极客时间的文章了。

我们使用的字符串查找函数，比如java中的indexOf()，python中的find()函数等，他们底层就是依赖接下来要讲的字符串匹配算法。

字符串匹配算法有很多，会分成四节来说。今天会讲两种比较简单的，好理解的，分别是：BF算法和RK算法。还有后面会介绍到的比较难，但是会更加高效的，他们是：BM算法和KMP算法。

但是上面提到的算法都是单模式串匹配的算法，也就是在一个串中同时查找多个串，他们分别是Trie树和AC自动机。

今天说的算法中：RK算法是BF算法的改进，它巧妙借助了我们前面讲过的哈希算法，让匹配的效率有了很大的提升。

那RK算法是如何借助哈希算法来实现高效字符串匹配的呢？

BF算法

BF算法中的Brute Froce的缩写，中文叫做暴力匹配算法，也叫朴素匹配算法。

从名字可以看出，这种算法的字符串匹配方法很暴力，当然也很简单好理解，就是性能不高。

在开始讲解这个算法之前，我先对两个概念下定义。他们分别是 “主串” 和 “模式串” 。我们把主串的长度记做n，模式串的长度记做m。因为我们是在主串中查找模式串，所以n>m。

作为最简单，最暴力的字符串匹配算法，BF算法的思想可以用一句话来概括，那就是，我们在主串中，检查起始位置分别是0、1、2···n-m且长度为m的n-m+1个子串，看有没有跟模式串匹配的。

举一个例子来看：

从上面的算法思想和例子，我们可以看出，在极端情况下，比如主串是“aaaaaaaaa····aaaaaaa”这种的，模式串为“aaaaaaab”。我们每次都比对m个字符，要比对n-m+1次，所以，这种算法的最坏时间复杂度是O(n*m)。

尽管理论上，BF算法的时间复杂度很高，是O(n*m)，但是在实际开发中，缺是一个比较常用的字符串的匹配算法，为什么呢？

第一，在实际的软件开发中，大部分情况下，模式串和主串的长度都不会太长。而且每次模式串与主串中的子串匹配的时候，当中途遇到不能匹配的字符的时候，就可以停止了，不需要把m个字符都比对一下。所以，尽管理论上的最坏的情况时间复杂度是O(n*m)，但是统计意义上，算法执行效率要比这个好很多。

第二，朴素字符串的匹配算法思想很简单，代码实现也非常简单。简单意味着不容易出错，如果有bug也容易暴露和修复。在工程中，在满足性能要求的前提下，简单是首选。这也是我们常说的KISS原则。

所以，在实际的开发中，暴力法就足够了。

RK算法

RK算法全称叫做Rabin-Karp算法，我个人觉得，它其实就是刚刚讲的BF算法的升级版。

我们知道关于BF算法，如果模式串长度为m，主串长为n，那在主串中，就会有n-m+1个长度为m的子串，我们只需要暴力地对比这n-m+1个子串和模式串，就可以找出主串与模式串匹配的子串。

但是，每次检查主串与子串是否匹配，需要依次比对每个字符，所以BF算法的时间复杂度就比较高，是O(n*m)，和BF算法是一样的。但如果引入哈希，提升占用内存，降低时间复杂度，也是可以的，然后我来介绍一下：

RK算法的思路如下：我们通过哈希算法对n-m+1个子串分别求哈希值，然后逐个与模式串的哈希值比大小。如果某个子串的哈希值与模式串相等，那就说明对应的子串匹配到了。

不过，通过哈希算法计算子串的哈希值的时候，我们需要遍历子串的每个字符。尽管模式串与子串比较的效率提高了，但是算法整体的效率也并没有提高。有没有方法可以提高哈希算法计算子串哈希值的效率呢？

这就需要哈希算法设计得十分有技巧了：假设我们要匹配的字符串的字符集只包含k个字符，我们可以用一个k进制数来表示一个子串，这个k进制数转化成十进制数，作为子串的哈希值。表述起来有点抽象，我举一个例子：

比如要处理的字符串只包含a～z这26个小写字母，那我们就用二十六进制来表示一个字符串。我们把a～z这 26个字符映射到0～25这26个数字，a就表示0，b就表示1，以此类推，z表示25。

在十进制的表示法中，一个数字的值是通过下面的方式计算出来的。对应到二十六进制，一个包含a到z这 26个字符的字符串，计算哈希的时候，我们只需要把进位从10改成26就可以。

现在，为了方便解释，在下面的讲解中，我假设字符串中只包含a～z这26 个小写字符，我们用二十六进制来表示一个字符串，对应的哈希值就是二十六进制数转化成十进制的结果。

这种哈希算法有一个特点，在主串中，相邻两个子串的哈希值的计算公式有一定关系。我这有个个例子，你 先找一下规律，再来看我后面的讲解。

从这里的例子来看，我们很容易就能看出这样的规律：相邻两个子串s[i-1]和s[i]，对应的哈希值计算有交集的存在，也就是说，我们可以使用s[i-1]的哈希值很快的计算出s[i]的哈希。如果用公式就是这样子：

不过有一个小细节需要注意：那就是26^(m-1)这部分的计算，我们通过查表的方法去提高效率。我们事先计算好26 ^ 0、26 ^1、26 ^2……26 ^(m-1)，并且存储在一个长度为m的数组内，公式中的次方对应数组的下标，当我们需要计算26的x次方的时候，就可以从数组的下标为x的位置取值就行了。

然后我们来分析一下，现在的时间复杂度：

整个RK算法分为：

1. 扫描主串，获取子串的哈希，这部分就是简单的遍历计算，所以是On
2. 模式串哈希值和每个子串的哈希值比较是O1，总共比较n-m+1个子串，所以时间复杂度还是On，所以复杂度就是On

这里还有一个问题就是，模式串很长，响应的主串中的子串也会很长，通过上面的哈希算法计算得到的哈希值就可能会很大，如果超过了计算机中整形数据能表示的范围，那该如何解决呢？

哈希的算法设计有很多种方式，举刚才情况的例子来说。假设字符串中只包含了a~z这26个字母，那么我们给每一个字符replace成数字，a是1，b是2…z是26，这样哈希值就小很多了。但哈希碰撞的概率就上来了，不过我们也可以手动混淆，降低冲突的概率。

但是新的问题又来了

我们假设，总模式串的哈希值为63，这个63=62+1=60+3…那么就会让不同的模式串有相同的哈希，这又该如何解决呢？

实际上，解决方法很简单，只需要再去对比子串和模式串本身就好了。

所以，哈希算法的冲突概率要相对控制得低一些，如果存在大量冲突，就会导致RK算法的时间复杂度退 化，效率下降。极端情况下，如果存在大量的冲突，每次都要再对比子串和模式串本身，那时间复杂度就会 退化成O(n*m)。但也不要太悲观，一般情况下，冲突不会很多，RK算法的效率还是比BF算法高的。

小结

BF算法是最简单、粗暴的字符串匹配算法，它的实现思路是，拿模式串与主串中是所有子串匹配，看是否 有能匹配的子串。所以，时间复杂度也比较高，是O(n*m)，n、m表示主串和模式串的长度。不过，在实际 的软件开发中，因为这种算法实现简单，对于处理小规模的字符串匹配很好用。

RK算法是借助哈希算法对BF算法进行改造，即对每个子串分别求哈希值，然后拿子串的哈希值与模式串的 哈希值比较，减少了比较的时间。所以，理想情况下，RK算法的时间复杂度是O(n)，跟BF算法相比，效率 提高了很多。不过这样的效率取决于哈希算法的设计方法，如果存在冲突的情况下，时间复杂度可能会退 化。极端情况下，哈希算法大量冲突，时间复杂度就退化为O(n*m)。