在文本编辑中,我们经常要在一段文本中某个特定的位置找出 某个特定的字符或模式。 由此,便产生了字符串的匹配问题。 首先,我们从简单的字符串匹配算法开始,再到KMP算法,由浅入深,教你从头到尾彻底理解KMP算法。
1.BF算法
BF算法,即暴风(Brute Force)算法,是普通的模式匹配算法,BF算法的思想就是将目标串S的第一个字符与模式串T的第一个字符进行匹配,若相等,则继续比较S的第二个字符和 T的第二个字符;若不相等,则比较S的第二个字符和T的第一个字符,依次比较下去,直到得出最后的匹配结果。BF算法是一种蛮力算法。
#include<iostream>
#include<string>
using namespace std;
int match(const string& target, const string& pattern) {
int target_length = target.size(); //目的字串
int pattern_length = pattern.size(); //模式
int target_index = 0; int pattern_index = 0;
while (target_index < target_length && pattern_index < pattern_length)
{
if (target[target_index] == pattern[pattern_index])
{
++target_index;
++pattern_index;
}
else
{
target_index = target_index-pattern_index + 1; //目的字串回退到原来开始匹配的位置+1,即现在失配的位置减去模式串已经匹配的位置+1
pattern_index = 0; //模式子串回退到0
}
}
if (pattern_index == pattern_length)
{
return target_index - pattern_length;
}
else
{
return -1;
}
}
int main()
{
cout << match("banananobano", "nano") << endl;
return 0;
}
分析;在最坏情况下,此简单模式匹配算法的运行时间为O((n-m+1)m)。
我们主要把时间浪费在什么地方呢, 观查index = 2那一步,我们已经匹配了3个字符,而第4个字符是不匹配的,这时我们已经匹配的字符序列是nan, 此时如果向右移动一位,那么nan最先匹配的字符序列将是an,这肯定是不能匹配的, 之后再右移一位,匹配的是nan最先匹配的序列是n,这是可以匹配的。
如果我们事先知道pattern本身的这些信息就不用每次匹配失败后都把target_index回退回去, 这种回退就浪费了很多不必要的时间,如果能事先计算出pattern本身的这些性质, 那么就可以在失配时直接把pattern移动到下一个可能的位置, 把其中根本不可能匹配的过程省略掉, 如上表所示我们在index=2时失配,此时就可以直接把pattern移动到index=4的状态, kmp算法就是从此出发。
2.KMP算法
2.1、 覆盖函数(overlay_function)
覆盖函数所表征的是pattern本身的性质,可以让为其表征的是pattern从左开始的所有连续子串的自我覆盖程度。 比如如下的字串,abaabcaba
由于计数是从0始的,因此覆盖函数的值为0说明有1个匹配,对于从0还是从1开始计数是偏好问题, 具体请自行调整,其中-1表示没有覆盖,那么何为覆盖呢,下面比较数学的来看一下定义,比如对于序列
a0a1…aj-1aj
要找到一个k,使它满足
a0a1…ak-1ak = aj-kaj-k+1…aj-1aj
而没有更大的k满足这个条件,就是说要找到尽可能大k,使pattern前k字符与后k字符相匹配,k要尽可能的大, 原因是如果有比较大的k存在,而我们选择较小的满足条件的k, 那么当失配时,我们就会使pattern向右移动的位置变大,而较少的移动位置是存在匹配的,这样我们就会把可能匹配的结果丢失。
计算这个overlay函数的方法可以采用递推,可以想象如果对于pattern的前j个字符,如果覆盖函数值为k
a0a1…ak-1ak = aj-kaj-k+1…aj-1aj
则对于pattern的前j+1序列字符,则有如下可能
⑴ pattern[k+1]==pattern[j+1] 此时overlay(j+1)=k+1=overlay(j)+1,(表示下一个字符也匹配)
⑵ pattern[k+1]≠pattern[j+1] 此时只能在pattern前k+1个子符组所的子串中找到相应的overlay函数,h=overlay(k),如果此时pattern[h+1]==pattern[j+1],则overlay(j+1)=h+1否则重复(2)过程.
//模式串的覆盖数组
void compute_overlay(const string& pattern)
{
const int pattern_length = pattern.size();
int *overlay_function = new int[pattern_length];
int index;
overlay_function[0] = -1; //初始化为-1
for (int i = 1; i<pattern_length; ++i)
{
index = overlay_function[i - 1]; //将先前的失败位置k存储为索引
while(index>=0 && pattern[i]!=pattern[index+1])
{
index = overlay_function[index];
}
if(pattern[i]==pattern[index+1])
{
overlay_function[i] = index + 1;
}
else
{
overlay_function[i] = -1;
}
}
for(int i=0;i<pattern_length;++i)
{
cout<<overlay_function[i]<<" ";
}
cout << endl;
delete[] overlay_function;
}
int main()
{
string pattern = "abaabcaba"; //-1,-1,0,0,1,-1,0,1,2
//cout << match("banananobano", "nano") << endl;
compute_overlay(pattern);
return 0;
}
2.2、kmp算法
有了覆盖函数,那么实现kmp算法就是很简单的了,我们的原则还是从左向右匹配,但是当失配发生时,我们不用把target_index向回移动,target_index前面已经匹配过的部分在pattern自身就能体现出来,只要动pattern_index就可以了。
当发生在j长度失配时,只要把pattern向右移动j-overlay(j)长度就可以了。如果失配时pattern_index==0,相当于pattern第一个字符就不匹配, 这时就应该把target_index加1,向右移动1位就可以了。
//模式串的覆盖数组
void compute_overlay(const string& pattern, int* &overlay_function)
{
const int pattern_length = pattern.size();
int index;
overlay_function[0] = -1; //初始化为-1
for (int i = 1; i<pattern_length; ++i)
{
index = overlay_function[i - 1]; //将先前的失配位置k存储为索引
while(index>=0 && pattern[i]!=pattern[index+1])
{
index = overlay_function[index]; //失配则开始回退,index记录回退的位置
}
if(pattern[i]==pattern[index+1]) //字符串相匹配
{
overlay_function[i] = index + 1;
}
else //index < 0
{
overlay_function[i] = -1;
}
}
}
int kmp_find(const string& target, const string& pattern)
{
const int target_length = target.size();
const int pattern_length = pattern.size();
int * overlay_value = new int[pattern_length];
compute_overlay(pattern, overlay_value);
int pattern_index = 0;
int target_index = 0;
while (pattern_index<pattern_length && target_index<target_length)
{
if (target[target_index] == pattern[pattern_index])
{
++target_index;
++pattern_index;
}
else if (pattern_index == 0)
{
++target_index;
}
else
{
pattern_index = overlay_value[pattern_index - 1] + 1;
}
}
if (pattern_index == pattern_length)
{
return target_index - pattern_index;
}
else
{
return -1;
}
delete[] overlay_value;
}