大话数据结构 第五章 串（附C#实现）

串的定义：

串（string）是由零个或多个字符组成的有限序列，又名叫字符串。

一般记为  s= ""(n>=0)，s 是串的名称，用双引号括起来的字符序列是串的值，引号不属于串的内容。

 （1<= i <= n） 可以是字母、数字或其他字符，i 就是该字符在串中的位置。（C#中 i 是0至n-1）。

串中的字符数目 n 称为串的长度，定义中说道的“有限”是指长度 n 是一个有限的数值。

零个字符的串称为空串，它的长度为零，可以用两个双引号""表示。

所谓的序列，就说明串的相邻字符之间具有前驱和后继的关系。

空格串。是只包含空格的串。注意它与空串的区别，空格串是有内容有长度的，而且可以不止一个空格。

子串与主串，串中任意个数的连续字符组成的子序列称为该串的子串，相应的，包含子串的串称为主串。

子串在主串中的位置就是子串的第一个字符在主串中的序号。

串的比较：

两个字符串的比较，它们在计算大小中的大小其实取决于它们挨个字母的前后顺序。

事实上，串的比较是通过组成的字符之间的编码来进行的，而字符的编码指的是字符在对应字符集中的序号。

计算机中的常用字符是使用标准的ASCⅡ编码，更准确一点，由7位二进制数表示一个字符，总共可以表示128个字符。后来一些特殊符号的出现，128个不够用了，于是拓展ASCⅡ码由8位二进制数表示一个字符，总共可以表示256个字符，这已经足够满足以英语为主的语言和特殊符号进行输入、存储、输出等操作的字符需要了。世界上还有很多语言文字，256字符是不够的，因此后来就有了Unicode编码，比较常用的是由16位的二进制数表示一个字符，中共就可以表示个字符，月6.5万多个。为了和ASCⅡ码兼容，Unicode的前256个字符与ASCⅡ码完全相同。

C 语言中比较两个串是否相等，必须是它们串的长度以及它们各个对应地字符都相等时，才算是相等。

两个串不相等时，如何判定它们的大小呢？我们这样定义：

给定两个串：s= ""，t=""，当满足以下条件之一时，s<t。

1.n<m，且（i = 1,2....,n）。

2.存在某个k<=min(m,n)，使得（i=1,2,.....,k-1），。

串的存储结构

串的存储结构与线性表相同，分为两种。

串的顺序存储结构

用一组地址连续的存储单元来存储串中的字符序列。按照预定义的大小，为每个定义的串变量分配一个固定长度的存储区。一般是用定长数组来定义。

有一些问题，比如两串的连接以及字符串的替换等操作，都有可能使得串序列的长度超过了数组的长度MaxSize。

于是对于串的顺序存储，有一些变化，串值的存储空间可在程序执行过程中动态分配而得。

串的链式存储结构

与线性表相似，但是由于串结构的特殊性，结构中的每个元素数据是一个字符，如果也简单地应用链表存储串值，一个结点对应一个字符，机会存在很大的空间浪费。因此，一个结点可以存放一个字符，也可以考虑存放多个字符，最后一个结点若是未被占满，可以用“#”或其他非串值字符补全。

一个结点存放多少个字符才合适就变得很重要，这会直接影响着串处理的效率，需要根据实际情况作出选择。

串的链式存储结构除了在连接串与串操作时有一定方便之外，总的来说不如顺序存储灵活，性能也不如顺序存储结构好。

朴素的模式匹配算法

子串的定位操作通常称做串的模式匹配。

 

分析一下复杂度

假如一开始就匹配成功。时间复杂度为O(1)。

假如每次匹配都是首字母就不匹配，那么对 t 串的循环就不必进行了。根据等概率原则，平均是(n+m)/2次查找。时间复杂度为O(n+m)。

假如每次匹配都是 t 串的最后一个字母才不匹配，每次 t 串都要循环。时间复杂度为O((n-m+1)*m)。

KMP模式匹配算法

一个模式匹配算法，可以大大避免重复遍历的情况，我们把它称之为克努特-莫里斯-普拉特算法，简称KMP算法。

假设，s=“abcdefg.....”，t = "abcdex"。

按照朴素模式匹配算法，主串s中当i=2,3,4,5,6时，首字符与子串的首字符均不等。

仔细观察，对于要匹配的子串t来说，“abcdex”首字母“a”与后面的串“bcdex”中任意一个字符后都不相等。也就是说，既然“a”不与自己后面的子串中任何一字符相等，那么对于朴素模式匹配算法中第一步来说，前五位字符分别相等，意味着子串t的首字母“a”不可能与s串的第2位到第5位的字符相等。所以，对于朴素模式匹配算法，第2,3,4,5步判断都是多余的。

这是理解KMP算法的关键。

之所以保留第6步判断，是因为在第1步中，我们知道 s[6]不等于t[6]，t[1]不等于t[6],我们也不能判定t[1]一定不等于s[6]。

我们在朴素的模式匹配算法中，主串的i值是不断地回溯来完成的。（退到上次匹配首位的下一位）而我们分析发现，这种回溯其实是可以不需要的。KMP模式匹配算法就是为了让这没必要的回溯不发生。

既然主串的i值不回溯，也就是不可以变小，那么要考虑的变化就是子串的j值了。通过观察也可发现，我们屡屡提到t串的首字符与自身后面字符的比较，如果有相等字符，j值的变化就会不同。

也就是说，这个j值的变化与主串其实没什么关系，关键就取决于t串的结构中是否有重复的问题。

我们可以得出规律，j值的多少取决于当前字符之前的串的前后缀的相似度。

我们把T串各个位置的j值的变化定义为一个数组next，那么next的长度就是T串的长度。于是我们得到下面的函数定义：

next数组值推导

j	123456
模式串T	abcdex
next[j]	011111

 

 

 

 

j	123456
模式串T	abcabx
next[j]	011123

 

 

 

 

我们可以根据经验得到如果前后缀一个字符相等，k值是2，两个字符k值是3，n个相等k值就是n+1。

j	123456789
模式串T	ababaaaba
next[j]	011234223

 

 

 

 

j	123456789
模式串T	aaaaaaaab
next[j]	012345678

 

 

 

 

 

 

KMP算法仅当模式与主串之间存在许多“部分匹配”的情况下才体现出它的优势，否则两者差异并不明显。

KMP模式匹配算法改进