BoyerMoore 算法分析

BoyerMoore 算法分析

匹配方向：从右向左开始匹配（从 ^ 的位置开始向左匹配）：

aaaaaFaaaaaaaaaaaaaa
aaaaaaa
      ^

一、坏字符匹配

坏字符：源串中第一个不匹配的字符就是坏字符（F 是坏字符）：

aaaaaFaaaaaaaaaaaaa
aaaaaaa
     ^

指针移动方式1

如果坏字符不在模式串中，则将指针向右移动“模式串长度”个字符，重新开始比较：

aaaaaFaaaaaFaaaaaaa
      aaaaaaa
     -------^

解释：当前模式串为 7 个 a，所以指针向右移动 7 个字符，目的是把 F 排除于下次比较的范围，如果移动不足 7 个字符，那么 F 就进入了下次比较的范围，由于 F 不在模式串中，让它进入比较范围没有意义。

重新比较之后，再次遇到坏字符 F：

aaaaaFaaaaaFaaaaaaa
      aaaaaaa
           ^

指针继续向右移动 7 个字符：

aaaaaFaaaaaFaaaaaaa
            aaaaaaa
           -------^

完成匹配。

指针移动方式2

如果坏字符在模式串中，则需要在开始搜索之前，先找出模式串中各个字符最后出现的位置，然后记下该位置之后还有多少个字符。

aaaaabaaaaabccbcaaa
aabccbc

不看源串，只看模式串：
最右边的 a 之后有 5 个字符
最右边的 b 之后有 1 个字符
最右边的 c 之后有 0 个字符

记录该数据的目的是为了让指针能够跳转指定的长度，但是字符 c 所记录的数据 0 却没有使指针产生移动，所以最后一个字符不应该被记录，这样我们就需要使用前一个 c 的位置来记录，也就是 c 之后有 2 个字符，于是有了下面的跳转表：

如果遇到坏字符 a，则指针向右移动 5 个字符
如果遇到坏字符 b，则指针向右移动 1 个字符
如果遇到坏字符 c，则指针向右移动 2 个字符
如果遇到其它坏字符，则指针向右移动“模式串长度”个字符

开始比较：

aaaaabaaaaabccbcaaa
aabccbc
      ^

遇到坏字符 a，指针向右移动 5 个字符：

aaaaabaaaaabccbcaaa
     aabccbc
      -----^

解释：跳转表中记录的遇到 a 应该跳转 5 个字符，目的是为了让源串中的坏字符 a 与模式串中的字符 a 对齐，如果跳转不足 5 个字符，则模式串中没有任何字符可以与源串中的 a 匹配上，因为 5 就是 a 在模式串中最后一次出现的位置，再往后就没有 a 了。

重新比较之后，再次遇到坏字符 b：

aaaaabaaaaabccbcaaa
     aabccbc
           ^

根据跳转表中的记录，遇到 b 应该使指针向右移动 1 个字符：

aaaaabaaaaabccbcaaa
      aabccbc
           -^

重新比较之后，再次遇到坏字符 a：

aaaaabaaaaabccbcaaa
      aabccbc
          ^

指针向右移动 5 个字符：

aaaaabaaaaabccbcaaa
         aabccbc
          -----^

完成匹配。

前面提到的跳转表，叫做“坏字符跳转表”，使用该表已经可以实现字符串快速查找。

二、好后缀匹配

为了进一步提高速度，BoyerMoore 算法还提出了另一种匹配方式，叫做“好后缀”匹配。

好后缀：匹配过程中已经匹配的部分就是好后缀（ba 是好后缀）：

aaFbaaaaaba
aaaba
  ^

指针移动方式1

如果好后缀在模式串中没有重复的部分（比如 ababa 中后缀 ba 就与前一个 ba 重复，这就不符合当前的情况），则将指针向右移动“模式串长度+已匹配长度”个字符，重新开始比较：

aaFbaaaaaba
-----aaaba
  -------^

说明：模式串刚好移动到源串上次匹配的 ba 之后，因为模式串向右移动的原则是“使源串中上次匹配的 ba 与模式串中离好后缀 ba 最近的某个 ba 对齐”，可是好后缀左边没有重复的 ba，所以无法与源串中的 ba 对齐，那就只能将模式串整个移动到源串的 ba 之后。

重新比较之后，没有出现好后缀：

aaFbaaaaaba
     aaaba
         ^

只能向右移动一个字符：

aaFbaaaaaba
     -aaaba
         -^

完成匹配。

指针移动方式2

如果好后缀在模式串中有重复的部分，则将指针向右移动“好后缀到最后一个重复部分之间的距离+已匹配的长度”个字符，重新开始比较：

aaaaaaFbabaCbaCba
abaCbaCba
      ^

因为好后缀 ba 前面有重复的 ba，所以需要将离好后缀最近的 ba 与源串中上次匹配的 ba 对齐：

aaaaaaFbabaCbaCba
---abaCbaCba
      -----^

此时没有匹配的后缀，只能将模式串向右移动一个字符：

aaaaaaFbabaCbaCba
   -abaCbaCba
           -^

此时仍然没有匹配的后缀，只能将模式串向右移动一个字符：

aaaaaaFbabaCbaCba
    -abaCbaCba
            -^

此时出现好后缀 baCba：

aaaaaaFbabaCbaCba
     abaCbaCba
        ^

这个好后缀比较特殊，它是有重复部分的，只不过前后重叠在一起：

aaaaaaFbabaCbaCba
     abaCbaCba
        ^
         ^^^^^
      ^^^^^

此时需要将重复部分移动到源串中上次匹配的 baCba 位置：

aaaaaaFbabaCbaCba
     ---abaCbaCba
        --------^

完成匹配。

如果有多个连续的重复部分，则可以一次跳过所有这些重复部分，例如：

aaaaaaaFbababababa
bababababa
        ^

按照一般思路，应该将离好后缀最近的一个 ba 与源串中上次匹配的 ba 对齐，但是因为这些重复 ba 是相连的，既然 F 与好后缀 ba 之前的 a 不匹配，那么所有相连的 ba 前一个字符都是 a，都不可能与 F 匹配，所以可以一次跳过所有相连的 ba，将最左边的重复 ba 与源串中上次匹配的 ba 对齐即可：

aaaaaaaFbababababa
--------bababababa
        ---------^

完成匹配。

好后缀也有一个跳转表，只需要在搜索之前计算好，就可以实现快速搜索，好后缀的跳转表计算起来要比坏字符复杂一些。

BoyerMoore 算法同时使用“坏字符”和“好后缀”两种跳转方式，每次遇到坏字符时，也会出现好后缀，然后选择两种跳转方式中跳转距离更远的作为本次跳转长度。

在 FPC 的 StrUtils 单元中有 BoyerMoore 算法的实现，可以参考。