KMP算法真的很简单1

KMP 算法真的很简单

KMP 是字符串匹配的经典算法，曾经一度对其敬而远之，感觉很难写出来正确的 KMP 算法，这都是拜那些“教科书”所赐，在它们的教授下，不禁感觉 KMP 很难！

其实理解 KMP 算法很简单，今天就来看个究竟，我的目标就是从几个简单的数学等式推导出 KMP 算法，简单但严谨。

串匹配

先来回忆一下串匹配场景，不外乎是给定两个字符串 S 和 T ，然后在 S 串中查找 T 串，如果查找成功就是匹配，否则就是不匹配。比如：

S = “avantar-titanic”; T = “avantar”; C = “tistan” ；那么结果就是 T 匹配 S ，而 C 不能匹配 S 。

朴素的串匹配算法

再来回顾一下朴素的匹配思想，从 S[i] 开始，逐个检查 S[i+pos] 是否与 T[pos] 相等，如果 S[i+pos] = T[pos] ，那么 pos++ ；如果 S[i+pos] != T[pos] ，那么 T 就要回退到 T[0] ，然后再从 S[i+1] 开始尝试匹配 T ，这就是下面的伪代码。

 

for(int i = 0; i < Len[S]; i++) { int j; for(j = 0; j < Len[T]); j++) { if(S[i+j] != T[j]) break; } if(j == Len[T]) find T in S }

 

上面算法的问题就在于，如果出现了不匹配的情况， T 就要回退到 T[0] ，算法复杂度为 O(len[S]*len[T]) 。

需要从头再来吗？

让我们来重新审视上面的问题，在 S 串中查找 T 串，我们使用表示法 C [i, j] 表示 C 的字串 S _i S _i+1 …S _j 。 假设当前时刻 S 从位置 i 开始，已经匹配了 pos 个长度，也就是 S[i, i+pos-1] = T[0, pos-1] ，继续向下进行比较；

如果 S[i+pos] = T[pos] ，那么依然有 S[i, i+pos] = T[0, pos] ；

如果 S[i+pos] != T[pos] ，那么将有 S[i, i+pos] != T[0, pos] ；

这时候 朴素的串匹配思想就是回退 T 到 T[0] ， 从 S[i+1] 和 T[0] 开始再次逐 字符的比较。然而仔细观察这个时刻，假设我们不让 T 回退到 T[0] ，而是回退到 T[j] 的位置，并让 S 停留在 S[i+pos-1] 的位置，并且满足

S[i+pos-j-1, i+pos-1] = T[0, j] -------------------------(1)

那么必然 j<pos-1 ，然后再从 S[i+pos] 和 T[j+1] 开始 逐 字符的比较，这样不就更加高效了吗？下面就来看看能不能找到这个 j 。

采用假设法，假设 j 已经找到了，那么等式 (1) 成立。

当匹配进行到 S[i+pos] != T[pos] 时，我们已经有 S[i, i+pos-1] = T[0, pos-1] ，取后面的 j 个字符串就有：

S[i+pos-j, i+pos-1] = T[pos-j, pos-1] ------------------(2)

根据等式 (1) 和等式 (2) ，我们便可得到

T[pos-j, pos-1] = T[0, j] ----------------------------------(3)

也就是说，如果找到了这样的 j ，那么必然满足等式 (3) 。于是我们可以采用一个数组 P ，记住每个 pos 对应的 j ；也就是 P[pos] = j ，当 T[pos] 不能匹配时，就让 T 回退到 j ，继续和 S[i+pos] 匹配； pos 的范围是 0~len[T] 。

如果 j = 0 ，意味着 S[i+pos-1] = T[0] = T[pos-1] ；

如果这个 j 不存在呢，这是很可能发生的，世界不是总是这么美好的嘛，这个时候意味着 S[i+pos-1] != T[0] ，那么我们只能从 S[i+pos] 和 T[0] 开始匹配了。

如果对应于每个 pos 我们都找到对应的 j ，那么不就可以改进上面朴素的匹配算法了吗？姑且把这个结果存储在数组 next 中，于是 next 的定义就是：

next[pos] 表明如果在 pos 处 T[pos] 和 S[m] 不能匹配，但是 T[0, next[pos]] = S[m-next[pos]-1, m-1] 成立，于是应该回退到 T[next[pos]+1] 处和 S[m] 进行匹配。

这时候匹配算法的逻辑就像下面那样：

If S[i] = T[j] then // 如果匹配就继续向后

       i++

       j++

       if j = Len[T] then

              find a match position

       endif

else

       loop // 找到使 S[i] = T[j’] 的 j’

              j = next[j]

until S[i] = T[j] or j < 0

if j < 0 then // j < 0 表明 S[i] != T[0] ，从 i+1 位置匹配 T[0]

       j = -1

endif

i++

       endif

改进后的匹配算法

根据上面的思想，那么我们可以很容易的写出匹配算法的代码。

  // search T in S int tlen = strlen(T); int slen = strlen(S); for(int i = 0, j = 0; i < slen;) { if(S[i] == T[j]) // 如果S[i]和S[j]匹配，则继续比较S[i+1],T[j+1] { i++; j++; if(j == tlen) // 找到了一个匹配 { printf("find [%s] in [%s] at pos %d./n", T, S, i-tlen); j = 0; // 寻找下一个匹配 } } else // 如果不匹配，则根据P数组寻找j' { // 直到找到一个j'使得S[i] = T[j']，或者j'=-1 while((j >= 0) && (S[i] != T[j])) { j = next[j]; } if(j == -1) // j'=-1，表明S[i] != T[0]，只能尝试从S[i+1]开始匹配T { j = 0; } i++; } } 

 

 

计算next数组

现在另外一个问题出现了，如何求next数组呢？根据前面的分析可以知道next数组只和T串有关，再说一下next的定义：

next[pos]表明如果在pos处T[pos]和S[m]不能匹配，但是T[0, next[pos]] = S[m-next[pos]-1, m-1]成立，于是应该回退到T[next[pos]+1]处和S[m]进行匹配。

最简单的情况开始，next[0]=-1，因为如果T[0] != S[m]那么只能尝试T[0] ? S[m+1];

不难理解，如果T[0] = T[1]，那么next[1] = 0，否则next[1] = -1；

对于next[pos] = j 满足T[pos-j, pos-1] = T[0, j]，因此可以通过蛮力方法找到这个next数组，只是效率太低，还有更好的方法吗？

如果当前已知next[0],...,next[pos-1]，能否通过它们的值来计算next[pos]呢，假设next[pos-1] = j；

1 如果T[j+1] = T[pos]，那么结合T[pos-j-1, pos-1] = T[0, j]可知

T[pos-j-1, pos] = T[0, j+1]

于是next[pos] = j+1；

2 如果T[j+1] != T[pos]，那么T[pos-j-1, pos] != T[0, j+1]，这时候如何求next[pos]呢？假设next[pos] = j’，如果j’ > -1，那么有T[pos-j’, pos] = T[0, j’]。

再考虑对于任意i < pos-1, next[i] = p’， T[i-p’, i] = T[0, p’]，那么p’肯定<j

现在已经有T[pos-j-1, pos-1] = T[0, j]，于是T[pos-p’-1, pos-1] = T[0, p’]；

如果T[pos] = T[p’+1]的话，就意味着T[pos-p’-1, pos] = T[0,p’+1]

于是next[pos] = next[i] +1；

看来我们找到了求next数组的方法，看看是不是和匹配算法很相似呢，伪代码如下所示：

next[0] = -1

i = 1

j = -1 // j 从 next[0]开始

// 循环直到i=Len[T]

If T[i] = T[j+1] then // 如果匹配就继续向后

       next[i] = j+1 // 计算next[i]

       i++

       j++

else

       loop // 找到使T[i] = T[j’+1]的j’

              j = next[j]

until T[i] = T[j] or j < 0

if j < 0 then // j < 0表明T[i] = -1

       next[i] = j = -1

endif

i++

       endif

c++代码如下:

// 把寻找next数组的过程，看做是T和自身匹配的过程 void _Next(const char *T, int *next, int tlen) { const char *S = T; next[0] = -1; for(int i = 1, j = -1; i < tlen;) { if(S[i] == T[j+1]) { next[i] = j+1; // 匹配成功则更新next[i] i++; j++; } else { while((j >= 0) && (S[i] != T[j+1])) { j = next[j]; } if(j == -1) { next[i] = -1; } i++; } } }

KMP匹配算法

KMP相对于朴素的匹配思想就是当不匹配时，T不必回退到T[0]，从而提高了匹配效率。

上面的代码似曾相似啊，其实它就是KMP匹配算法，简单调整一下代码逻辑就和常见的KMP算法相似了。

KMP算法其实不难，几个简单的数学等式就能推出来了嘛，其余的复杂性证明就略过了。