KMP+扩展KMP

KMP

KMP算法要解决的问题就是在字符串（也叫主串）中的模式（pattern）定位问题（或者是出现次数等的问题）。说简单点就是我们平时常说的关键字搜索。

首先，对于这个问题有一个很单纯的想法：从左到右一个个匹配，如果这个过程中有某个字符不匹配，就跳回去，将模式串向右移动一位。这有什么难的？

上面的程序是没有问题的，但不够好！（想起我高中时候数字老师的一句话：我不能说你错，只能说你不对~~~）

如果是人为来寻找的话，肯定不会再把i移动回第1位，因为主串匹配失败的位置前面除了第一个A之外再也没有A了，我们为什么能知道主串前面只有一个A？ 因为我们已经知道前面三个字符都是匹配的！（这很重要）。移动过去肯定也是不匹配的！有一个想法，i可以不动，我们只需要移动j即可。

// 暴力破解
int index(char *s ,char *t){
	int lens = strlen(s) ;
	int lent = strlen(t) ;
	int  i = 0 , j = 0 ;
	while(i<lens && j<lent){
			if(s[i]==t[j]){
			i++;
			j++;
		}
		else{
			i = i -j + 1 ;
			j=0 ;	
		}
	}
	if(j== lent){
		return i-j ;
	}
	else{
		return -1 ;
	}
}

面的这种情况还是比较理想的情况，我们最多也就多比较了再次。但
假如是在主串“SSSSSSSSSSSSSA”中查找“SSSSB”，比较到最后一个才知道不匹配，然后i回溯，这个的效率是显然是最低的。

大牛们是无法忍受“暴力破解”这种低效的手段的，于是他们三个研究出了KMP算法。其思想就如同我们上边所看到的一样：“利用已经部分匹配这个有效信息，保持i指针不回溯，通过修改j指针，让模式串尽量地移动到有效的位置。”

整个KMP的重点就在于当某一个字符与主串不匹配时，我们应该知道j指针要移动到哪？

接下来我们自己来发现j的移动规律：

如图：C和D不匹配了，我们要把j移动到哪？显然是第1位。为什么？因为前面有一个A相同啊：

如下图也是一样的情况：

可以把j指针移动到第2位，因为前面有两个字母是一样的：

至此我们可以大概看出一点端倪，当匹配失败时，j要移动的下一个位置k。存在着这样的性质：最前面的k个字符和j之前的最后k个字符是一样的。

如果用数学公式来表示是这样的

P[0 ~ k-1] == P[j-k ~ j-1]

这个相当重要，如果觉得不好记的话，可以通过下图来理解：

弄明白了这个就应该可能明白为什么可以直接将j移动到k位置了。

因为:

当T[i] != P[j]时

有T[i-j ~ i-1] == P[0 ~ j-1]

由P[0 ~ k-1] == P[j-k ~ j-1]

必然：T[i-k ~ i-1] == P[0 ~ k-1]

公式很无聊，能看明白就行了，不需要记住。

这一段只是为了证明我们为什么可以直接将j移动到k而无须再比较前面的k个字符。

好，接下来就是重点了，怎么求这个（这些）k呢？因为在P的每一个位置都可能发生不匹配，也就是说我们要计算每一个位置j对应的k，所以用一个数组next来保存，next[j] = k，表示当T[i] != P[j]时，j指针的下一个位置。

void GetNext(char *p, int *next)// 模式串
{
	int plen = strlen(p) ;
	next[0] = -1 ;
	int k = -1 ;
	int j = 0 ;
	while(j< plen-1)
	{
		// p[k]表示前缀 , p[j]表示后缀 ;
		if(k==-1 || p[j] == p[k])
		{
			k++;
			j++;
			next[j] =  k ;
		}
		else
		{
			k = next[k] ;
		}
	}	
}

这个版本的求next数组的算法应该是流传最广泛的，代码是很简洁。可是真的很让人摸不到头脑，它这样计算的依据到底是什么？

好，先把这个放一边，我们自己来推导思路，现在要始终记住一点，next[j]的值（也就是k）表示，当P[j] != T[i]时，j指针的下一步移动位置。

先来看第一个：当j为0时，如果这时候不匹配，怎么办？

像上图这种情况，j已经在最左边了，不可能再移动了， 这时候要应该是i指针后移。所以在代码中才会有next[0] = -1;这个初始化。
如果是当j为1的时候呢？

显然，j指针一定是后移到0位置的。 因为它前面也就只有这一个位置了~~~

下面这个是最重要的，请看如下图：

请仔细对比这两个图。

我们发现一个规律：

当P[k] == P[j]时，

有next[j+1] == next[j] + 1

其实这个是可以证明的：

因为在P[j]之前已经有P[0 ~ k-1] == p[j-k ~ j-1]。（next[j] == k）

这时候现有P[k] == P[j]，我们是不是可以得到P[0 ~ k-1] + P[k] == p[j-k ~ j-1] + P[j]。

即：P[0 ~ k] == P[j-k ~ j]，即next[j+1] == k + 1 == next[j] + 1。

这里的公式不是很好懂，还是看图会容易理解些。

那如果P[k] != P[j]呢？比如下图所示：

像这种情况，如果你从代码上看应该是这一句：k = next[k];为什么是这样子？你看下面应该就明白了。

现在你应该知道为什么要k = next[k]了吧！像上边的例子，我们已经不可能找到[ A，B，A，B ]这个最长的后缀串了，但我们还是可能找到[ A，B ]、[ B ]这样的前缀串的。所以这个过程像不像在定位[ A，B，A，C ]这个串，当C和主串不一样了（也就是k位置不一样了），那当然是把指针移动到next[k]啦。

最后，来看一下上边的算法存在的缺陷。来看第一个例子：

显然，当我们上边的算法得到的next数组应该是[ -1，0，0，1 ]
所以下一步我们应该是把j移动到第1个元素咯：

不难发现，这一步是完全没有意义的。因为后面的B已经不匹配了， 那前面的B也一定是不匹配的，同样的情况其实还发生在第2个元素A上。

显然，发生问题的原因在于P[j] == P[next[j]]。

所以我们也只需要添加一个判断条件即可：

void GetNextval(char* p, int next[])
{
	int pLen = strlen(p);
	next[0] = -1;
	int k = -1;
	int j = 0;
	while (j < pLen )
	{
	        //p[k]表示前缀，p[j]表示后缀
	    if (k == -1 || p[j] == p[k])
	    {
	        j++;
	        k++;
	            //较之前next数组求法，改动在下面4行
	        if (p[j] != p[k])
	            next[j] = k;   //之前只有这一行
	        else
	                //因为不能出现p[j] = p[ next[j ]]，所以当出现时需要继续递归，k = next[k] = next[next[k]]
	            next[j] = next[k];
	    }
	    else
	    {
	        k = next[k];
	        
	    }
	}	
}

下面是一些例题和代码实现：

计算匹配串在模式串中第一次出现的位置：
https://vjudge.net/contest/298074#problem/B

#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;
const int MAX=10010;
typedef long long ll;

int s[MAX*100],p[MAX],nexts[MAX];
int plen,slen;

void getNEXT(int *p){
   nexts[0]=-1;
   int k=-1,j=0;
   while(j<plen){
       if(k==-1||p[j]==p[k]){
        k++;
        j++;
        if(p[j]!=p[k]) nexts[j]=k;
        else nexts[j]=nexts[k];
       }
       else k=nexts[k];
   }
}

int kmp(int*s,int*p){
    int i=0,j=0;
    getNEXT(p);
    while(i<slen&&j<plen){
        if(j==-1||s[i]==p[j]){
            i++;
            j++;
        }
        else{
            j=nexts[j];
        }
    }
    if(j==plen)return i-j+1;
    else return -1;
}

int main(){
    int n;
    cin>>n;
    while(n--){
        cin>>slen>>plen;
        for(int i=0;i<slen;i++) scanf("%d",&s[i]);
        for(int i=0;i<plen;i++) scanf("%d",&p[i]);
         cout<<kmp(s,p)<<endl;
    }
}

计算匹配串在模式串中出现的次数：
https://vjudge.net/contest/298074#problem/A

#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;
const int MAX=10010;
typedef long long ll;
int nexts[MAX];
char s[MAX*100],p[MAX];
void getNEXT(char*p){
    int plen=strlen(p);
    nexts[0]=-1;
    int k=-1;
    int j=0;
    while(j<plen){
        if(k==-1||p[j]==p[k]){
            k++;
            j++;
            nexts[j]=k;
        }
        else k=nexts[k];
    }
}

int kmp(char*s,char*p){
    int i=0,j=0;
    int num=0;
    getNEXT(p);
    int slen=strlen(s);
    int plen=strlen(p);
    while(i<slen){
        if(j==-1||s[i]==p[j]){
            i++;
            j++;
        if(j==plen) {num++;}  //相比上面那个代码，主要变动的是这里
        }
        else{
            j=nexts[j];
        }
    }
    return num;
}

int main(){
    int n;
    cin>>n;
    while(n--){
    cin>>p>>s;
    int pos=kmp(s,p);
    cout<<pos<<endl;
    }
    return 0;
}

扩展KMP

问题定义： 给定两个字符串S和T（长度分别为n和m），下标从0开始，定义extend[i]等于S[i]…S[n-1]与T的最长相同前缀的长度，求出所有的 extend[i] 。举个例子，看下表：

i	0	1	2	3	4	5	6	7
S	a	a	a	a	a	b	b	b
T	a	a	a	a	a	c
extend[i]	5	4	3	2	1	0	0	0

为什么说这是KMP算法的扩展呢？显然，如果在S的某个位置i有extend[i]等于m，则可知在S中找到了匹配串T，并且匹配的首位置是i。而且，扩展KMP算法可以找到S中所有T的匹配。 接下来具体介绍下这个算法。
(1)

如上图，假设当前遍历到S串位置i，即extend[0]…extend[i - 1]这i个位置的值已经计算得到。设置两个变量，a和p。p代表以a为起始位置的字符匹配成功的最右边界，也就是"p = 最后一个匹配成功位置 + 1"。相较于字符串T得出，S[a…p)等于T[0…p-a)。
(2)
再定义一个辅助数组int next[]，其中next[i]含义为：T[i]…T[m - 1]与T的最长相同前缀长度，m为串T的长度。举个例子：

i	0	1	2	3	4	5
T	a	a	a	a	a	c
next[i]	6	4	3	2	1	0

(3)
S[i]对应T[i - a]，如果i + next[i - a] < p，如上图，三个椭圆长度相同，根据next数组的定义，此时extend[i] = next[i - a]。

(4)
如果i + next[i - a] == p呢？如上图，三个椭圆都是完全相同的，S[p] != T[p - a]且T[p - i] != T[p - a]，但S[p]有可能等于T[p - i]，所以我们可以直接从S[p]与T[p - i]开始往后匹配，加快了速度。

如果i + next[i - a] > p呢？那说明S[i…p)与T[i-a…p-a)相同，注意到S[p] != T[p - a]且T[p - i] == T[p - a]，也就是说S[p] != T[p - i]，所以就没有继续往下判断的必要了，我们可以直接将extend[i]赋值为p - i。

（5）最后，就是求解next数组。我们再来看下next[i]与extend[i]的定义：

• next[i]： T[i]…T[m - 1]与T的最长相同前缀长度；
• extend[i]： S[i]…S[n - 1]与T的最长相同前缀长度。

恍然大悟，求解next[i]的过程不就是T自己和自己的一个匹配过程嘛，下面直接看代码。

#include <bits/stdc++.h>
using namespace std;

char p[10005],s[1000005];
int nexts[100005],extend[1000005];
void getNEXT(char*p,int&plen,int *nexts){
    int a=0,k=0;
    nexts[0]=plen;

    for(int i=1;i<plen;i++){
        if(i>=k||i+nexts[i-a]>=k){
            if(i>=k) k=i;

            while(k<plen&&p[k]==p[k-i])
                k++;

            nexts[i]=k-i;
            a=i;
        }
        else
            nexts[i]=nexts[i-a];
    }
}

void extendkmp(char*s,int&slen,char*p,int&plen,int *extend, int *next){
    int a=0,k=0;
    getNEXT(p,plen,next);

    for(int i=0;i<slen;i++){
        if(i>=k||i+nexts[i-a]>=k){
            if(i>=k) k=i;

            while(k<slen&&k-i<plen&&s[k]==p[k-i])
                k++;

            extend[i]=k-i;
            a=i;
        }
        else
            extend[i]=nexts[i-a];
    }
}

int main(){
    int slen,plen;
    while(cin>>s>>p){
        slen=strlen(s);
        plen=strlen(p);
        extendkmp(s,slen,p,plen,extend,nexts);

        cout<<"next: ";
        for(int i=0;i<plen;i++)
            cout<<nexts[i]<<" ";

        cout<<"\nxetend: ";
        for(int i=0;i<slen;i++)
            cout<<extend[i]<<" ";
        cout<<endl<<endl;
    }
}

此博客借鉴于 https://segmentfault.com/a/1190000008663857 （大佬博客）。