【数据结构与算法】-＞算法-＞字符串匹配基础（中）-＞BM算法-＞KMP 三倍性能的强大算法

Ⅰ 前言

文本编辑器的查找替换功能相信大家都不陌生，很多 IDE 像 Eclipse，IntelliJ，包括 Word，都有这个功能，把一个词统一替换成另一个。那这个功能是如何实现的呢？

如果用前一篇文章里的 BF 算法和 RK 算法，当然可以实现这个功能，但是在某些极端情况下，BF 算法性能会退化得比较严重，而 RK 算法需要用到哈希算法，但是设计出一个可以应对各种类型字符的哈希算法并不简单。

对于工业级的软件开发来说，我们希望算法尽可能的高效，并且在极端情况下，性能也不要退化得太严重。那么，对于查找功能是重要功能的软件来说，比如一些文本编辑器，它们的查找功能都是用哪种算法来实现的呢？有没有比 BF 算法和 RK 算法更加高效的字符串匹配算法呢？

这就引出了我们这篇文章要讲的一个算法，BM（Boyer-Moore） 算法。它是一种非常高效的字符串匹配算法，有实验统计，它的性能是著名的 KMP 算法的 3 到 4 倍。BM 算法的原理很复杂，比较难懂，我会在王争老师的课程的基础，再加上我的理解，希望能把这个算法讲得更清楚一点。

如果对 BF 算法和 RK 算法还不熟悉的同学，如果有兴趣，可以跳转到下面的链接去看看。

【数据结构与算法】-＞算法-＞字符串匹配基础（上）-＞BF 算法 & RK 算法

Ⅱ BM 算法核心思想

我们把模式串和主串的匹配过程，看作模式串在主串中不停地往后滑动。当遇到不匹配的字符时，BF 算法和 RK 算法的做法是，模式串往后滑动一位，然后从模式串的第一个字符开始重新匹配。如下面的这张图👇

在这个例子里，主串中的 c ，在模式串中是不存在的，所以，模式串向后滑动的时候，只要 c 与模式串有重合，肯定无法匹配。所以，我们可以一次性把模式串往后多滑动几位，把模式串移动到 c 的后面。

所以，当遇到不匹配的字符时，有什么固定的规律，可以将模式串往后多滑动几位呢？这样移动地越快，匹配的效率就更高了。

BM 算法本质上其实就是在寻找这种规律。借助这种规律，在模式串与主串匹配的过程中，当模式串和主串某个字符不匹配的时候，能够跳过一些肯定不会匹配的情况，将模式串往后多滑动几位。

Ⅲ BM 算法原理分析

BM 算法包括两部分，分别是 坏字符规则（bad character rule） 和 好后缀规则（good suffix shift）。我们分别来看一看。

1. 坏字符规则

前面讲的 BF 算法和 RK 算法，在匹配的过程中，都是按照模式串的下标从小到大的顺序，依次与主串中的字符进行匹配的。这种匹配顺序比较符合我们的思维习惯，但是 BM 算法的匹配顺序很特别，它是按照模式串下标从大到小，倒着匹配的。

BF 算法👇

BM 算法👇

我们从模式串的末尾倒着匹配，当我们发现某个字符没法匹配的时候，我们把这个字符叫作 坏字符（主串中的字符）。

我们拿坏字符 c 在模式串中查找，发现模式串中并不存在这个字符，也就是说，字符 c 与模式串中的任何字符都不可能匹配。这个时候，我们可以将模式串直接往后滑动三位，将模式串滑动到 c 后面的位置，再从模式串的末尾字符开始比较。

这个时候，我们发现，模式串中最后一个字符 d，还是无法和主串中的 a 匹配，这个时候，还能将模式串往后滑动三位吗？答案是不行的。因为这个时候，坏字符 a 在模式串中是存在的，模式串中下标是 0 的位置也是字符 a。这种情况下，我们可以将模式串往后滑动两位，让两个 a 上下对齐，然后再从模式串的末尾字符开始，重新匹配。

第一次匹配的时候，我们滑动了三位。第二次匹配的时候，我们滑动了两位。那具体滑动多少位，是不是可以总结出一个规律来？

当发生不匹配的时候，我们把坏字符对应的模式串中的字符下标记作 si。如果坏字符在模式串中存在，我们把这个坏字符在模式串中的下标记作 xi。如果不存在，我们把 xi 记作 -1。那么，模式串往后移动的位数就等于 si-xi。

这里还有一点需要注意，就是如果坏字符在模式串里多次出现，那我们在计算 xi 的时候，选择最靠后的那个，因为这样就不会让模式串滑动过多，导致本来可能匹配的情况被滑动略过。

利用坏字符规则，BM 算法在最好情况下的时间复杂度非常低，是 O(n/m) 。比如，主串是 aaabaaabaaabaaab，模式串是 aaaa。每次比对，模式串都可以直接后移四位，所以，匹配具有类似特点的模式串和主串的时候，BM 算法非常高效。

不过，单纯使用坏字符规则还不够，因为 si - xi 计算出来的移动位数，有可能是负数，比如主串是 aaaaaaaaaaaaaa，模式串是 baaa。第一次比对， si 也就是坏字符对应的模式串中的字符下标，所以就是 0（b 是坏字符）；xi 就是坏字符在模式串中的下标，也就是 3（字符多次出现，取靠后的）。因而 si - xi = -3 。

利用坏字符规则，BM 算法在最好情况下时间复杂度非常低，是 O(n/m)。比如，主串是 aaabaaabaaabaaab，模式串是 aaaa。每次比对，模式串都可以直接后移四位，所以，匹配具有类似特点的的模式串和主串的时候，BM 算法非常高效。

不过，单纯使用坏字符规则还是不够的。因为根据 si - xi 计算出来的移动次数，有可能是负数，不但不会向后滑动模式串，还有可能倒退，所以，BM 算法还需要用到 “好后缀规则”。

2. 好后缀规则

好后缀规则实际上跟坏字符规则的思路很类似，比如下面这张图。当模式串滑动到图中的位置的时候，模式串和主串有 2 个字符是匹配的，倒数第 3 个字符发生了不匹配的情况。

这个时候该如何滑动字符串呢？当然，我们还可以利用坏字符规则来计算模式串的滑动位数，但是坏字符规则正如我们上面所说不是时时刻刻都有效的，所以我们还需要使用好后缀规则，两个配合使用。

我们把已经匹配好的 b c 叫作好后缀，记作 {u}。我们拿它在模式串中查找，如果找到了另一个跟 {u} 相匹配的子串 {u*}，那我们就将模式串滑动到子串 {u*} 与主串中 {u} 对齐的位置。

如果在模式串中找不到另一个等于 {u} 的子串，我们就直接将模式串滑动到主串中 {u} 的后面，因为之前的任何一次往后滑动，都没有匹配主串中 {u} 的情况。

不过，当模式串中不存在等于 {u} 的子串的时候，我们直接将模式串滑动到主串 {u} 的后面，这样做会不会跳过头呢？我们看下面这种情况。这里面 b c 是好后缀，尽管在模式串中没有另外一个相匹配的子串 {u*}，但是如果我们将模式串移动到好后缀的后面，那就会错过模式串和主串可以匹配的情况。

如果好后缀在模式串中不存在可匹配的子串，那在我们一步一步往后滑动模式串的过程中，只要主串中 {u} 与模式串有重合，那就肯定无法完全匹配。但是当模式串滑动到前缀与主串中的 {u} 的后缀有部分重合的时候，并且重合的部分相等的时候，就有可能会存在完全匹配的情况。

这个说起来比较复杂，大家看图可能就明白了。

再进一步解释就是，在上一次配比的时候，已经发现了模式串中没有和主串好后缀可以匹配的子串，那模式串就要向后移动。这时候有个情况就是，模式串的中间的一部分和主串的好后缀重合了，那肯定是无法匹配的。因为模式串的头尾肯定和主串的子串不匹配，所以这种情况的重合就意义不大。

但什么情况下模式串的一部分和主串的后缀有重合才有意义呢？就是模式串的前缀子串和好后缀的后缀字串重合，这样如果后面也匹配的话，就是真的匹配了，就像我们上图举的合理滑动的例子。这个逻辑大家看看图仔细想想就可以想通了。

所以，针对这种情况，我们不仅要看好后缀在模式串中，是否有另一个匹配的子串，我们还要考察好后缀的后缀子串，是否存在跟模式串的前缀子串匹配的。

为了避免歧义，这里我再解释一下什么是前缀后缀子串。比如说有个字符串 s ，它的后缀子串就是最后一个字符和 s 对齐的子串。比如 abc 的后缀子串就是 c，bc。所谓前缀子串，就是起始字符和 s 对齐的子串，比如 abc 的前缀子串就是 a，ab。

我们要从好后缀的后缀子串中，找一个最长的并且能够跟模式串的前缀子串匹配的，假设是 {v}，然后将模式串滑动到如图所示的位置👇

这就是好后缀规则的基本原理。

那么模式串和主串中的某个字符不匹配的时候，如何选择用好后缀规则还是坏字符规则，来计算模式串往后滑动的位数呢？

我们前面说过，坏字符的移动位数可能会出现负数，除了这个情况意外，其他的移动都是安全的。这个安全就是指移动了以后，不会错过正确的字符串匹配。好后缀同样，也是安全的。所以在选择的时候，我们有一个处理原则，就是坏字符规则和好后缀规则的移动位数都进行一个计算，然后取两个数中最大的那个。因为按照我们最基本的思路，要使得每次出现不匹配字符时模式串移动的位数更大，这样查找起来就会更快。

因为好后缀规则不会出现移动位数是负数的情况，所以即使用坏字符规则算出来移动位数是负数，最后取得的移动位数也是正的，模式串会继续向后移动。

Ⅳ BM 算法代码实现

基础的思想和原理相信你看到这里已经明白了，现在我们就来实现 BM 算法。

我们一部分一部分来，先来实现坏字符规则。

1. 坏字符规则

坏字符规则本身并不难理解，当遇到坏字符时，要计算往后移动的位数 si - xi，其中 xi 的计算是重点。那我们如何求得 xi ，也就是坏字符在模式串中出现的位置呢？

如果我们拿坏字符，在模式串中顺序遍历查找，这样就会比较低效，势必影响这个算法的性能。为了追求更高的效率，我们可以用散列表。

对散列表有疑惑的同学可以跳转去看我的这篇文章👇

【数据结构与算法】-＞数据结构-＞散列表（上）-＞散列表的思想&散列冲突的解决

我们可以将模式串中的每个字符及其下标都存到散列表中，这样就可以快速找到坏字符在模式串的位置下标了。

关于这个散列表，我们只实现一种最简单的情况，假设字符串的字符集不是很大，每个字符长度是 1 字节，我们用大小为 256 的数组，来记录每个字符在模式串中出现的位置。数组的下标对应字符的 ASCII 码值，数组中存储这个字符在模式串中出现的位置。

如果将上面的过程写成代码，就是下面这个样子👇

	private static final int SIZE = 256; //ASCII码数
	
	/**
	 * 借助散列表，存储字符以及其在模式串中的位置
	 * 如果是同样的字符出现多次，就记录它在模式串中最后出现的位置
	 * @param patternString 模式串
	 * @param badChar 坏字符集
	 */
	private void generateBadChar(char[] patternString, int[] badChar) {
   
		for (int i = 0; i < SIZE; i++) {
   
			badChar[i]