【算法】字符串匹配1 BF算法 RK算法

字符串匹配有多种方法，这里先讲最简单的两种算法： BF算法 和 RK算法，复杂度也相对较高。
它们均为单模式串匹配的算法，也就是一个串跟一个串进行匹配。

BF算法

简介

Brute Force，暴力匹配算法，也叫朴素匹配算法。
比较简单、好懂，但相应的性能也不高。

在字符串 A 中查找字符串 B ，那字符串 A 就是主串，字符串 B 就是模式串。
主串的长度记作 n ，模式串的长度记作 m ，所以n>m 。

算法思想

在主串中，检查起始位置分别是 0 、1、 2…n-m 且长度为 m 的 n-m+1 个子串，看有没有跟模式串匹配的。

时间复杂度

极端情况下，要比较 n-m+1 次，每次需要比对 m 个字符。所以最坏情况时间复杂度O(n*m)。

常用原因

虽然复杂度高，但实际开发中很常用，原因如下：

• 大部分情况下，模式串和主串的长度都不会太长。每次模式串与主串中的子串匹配时，当中途遇到不能匹配的字符的时候，就可以就停止了，不需要把 m 个字符都比对；
• 算法思想简单，代码实现简单。简单意味着不容易出错，如果有 bug 也容易暴露和修复。

RK算法

Rabin-Karp，由两位发明者名字而来。可以看做是BF的升级版。

算法思想

通过哈希算法对主串中的 n-m+1 个子串分别求哈希值，然后逐个与模式串的哈希值比较大小。
如果某子串哈希值与模式串相等，那就说明对应子串和模式串匹配（先不考虑冲突）。
哈希值是一个数字，数字之间比较是否相等是非常快速。

提高哈希计算效率

哈希算法计算子串的哈希值时，仍需要遍历子串中的每个字符，需要改进。

改进方法： 要匹配的字符串的字符集中只包含 K 个字符，可以用一个 K 进制数来表示一个子串，这个 K 进制数转化成十进制数，作为子串的哈希值。

举例解释上述方法。

假如处理的字符串只包含 a-z 这26 个小写字母，那用二十六进制来表示一个字符串。
我们把26 个字符映射到 0~25 这 26 个数字。

再把二十六进制数转化成十进制数，进位从 10 改成 26 就可以。

这种计算方法，在主串中相邻两个子串的哈希值的计算公式有一定关系。

规律：相邻两个子串 s[i-1] 和 s[i] （ i 表示子串在主串中的起始位置，子串的长度都为 m ），对应的哈希值计算公式有交集。
公式表示如下：

事先计算好 $26^0$ 、 $26^1$ 、 $26^2$……$26^{m-1}$ ，存储在长度为 $m$ 的数组中，公式中的 “ 次方 ” 就对应数组的下标。

时间复杂度

第一部分：通过设计特殊的哈希算法，只需扫描一遍主串就能计算出所有子串的哈希值，所以时间复杂度是 O(n) 。
第二部分：需要比较 n-m+1 个子串的哈希值，比较的复杂度是O(1)，总的复杂度也是 O(n)。

所以，RK 算法整体的时间复杂度就是O(n) 。

解决冲突问题

上面的哈希算法没有冲突，但是指数计算可能导致哈希值结果非常大，超出计算机表示范围。
解决方法就是允许冲突，从而减小计算范围。

允许冲突的哈希算法很多，举一个例子。

将每一个字母从小到大对应一个素数，把字符串中每个字母对应的数字相加，得到的和作为哈希值。

怎么解决冲突呢？其实很简单。
比较完哈希值后，
不相等的话，则无须比较，肯定不匹配；
相等的话，把两个字符串本身再比较一次即可。

这种方法前提是要控制冲突概率，达到可以接受的状态，否则算法会退化的厉害，变成 O(n*m) 。

本文是极客时间王争 数据结构与算法 课程的笔记，推荐此课，喜欢可以购买课程。