最近在网上看文章,有看到一篇字符串匹配算法 KMP 算法,看完其实还挺好理解的,本来准备自己实现下的,但是看到说起另一个算法 Boyer Moore 算法比 KMP
效率更高,所以就实现了 Boyer Moore
算法。这里为了查看方便,我把 阮一峰 的那篇博客贴过来,有兴趣的可以去他的博客看原文。
Boyer Moore 算法
1.
假定字符串为”HERE IS A SIMPLE EXAMPLE”,搜索词为”EXAMPLE”。
2.
首先,”字符串”与”搜索词”头部对齐,从尾部开始比较。
这是一个很聪明的想法,因为如果尾部字符不匹配,那么只要一次比较,就可以知道前7个字符(整体上)肯定不是要找的结果。
我们看到,”S”与”E”不匹配。这时,”S”就被称为”坏字符”(bad character),即不匹配的字符。我们还发现,”S”不包含在搜索词”EXAMPLE”之中,这意味着可以把搜索词直接移到”S”的后一位。
3.
依然从尾部开始比较,发现”P”与”E”不匹配,所以”P”是”坏字符”。但是,”P”包含在搜索词”EXAMPLE”之中。所以,将搜索词后移两位,两个”P”对齐。
4.
我们由此总结出”坏字符规则”:
后移位数 = 坏字符的位置 - 搜索词中的上一次出现位置
如果”坏字符”不包含在搜索词之中,则上一次出现位置为 -1。
以”P”为例,它作为”坏字符”,出现在搜索词的第6位(从0开始编号),在搜索词中的上一次出现位置为4,所以后移 6 - 4 = 2位。再以前面第二步的”S”为例,它出现在第6位,上一次出现位置是 -1(即未出现),则整个搜索词后移 6 - (-1) = 7位。
5.
依然从尾部开始比较,”E”与”E”匹配。
6.
比较前面一位,”LE”与”LE”匹配。
7.
比较前面一位,”PLE”与”PLE”匹配。
8.
比较前面一位,”MPLE”与”MPLE”匹配。我们把这种情况称为”好后缀”(good suffix),即所有尾部匹配的字符串。注意,”MPLE”、”PLE”、”LE”、”E”都是好后缀。
9.
比较前一位,发现”I”与”A”不匹配。所以,”I”是”坏字符”。
10.
根据”坏字符规则”,此时搜索词应该后移 2 - (-1)= 3 位。问题是,此时有没有更好的移法?
11.
我们知道,此时存在”好后缀”。所以,可以采用”好后缀规则”:
后移位数 = 好后缀的位置 - 搜索词中的上一次出现位置
举例来说,如果字符串”ABCDAB”的后一个”AB”是”好后缀”。那么它的位置是5(从0开始计算,取最后的”B”的值),在”搜索词中的上一次出现位置”是1(第一个”B”的位置),所以后移 5 - 1 = 4位,前一个”AB”移到后一个”AB”的位置。
再举一个例子,如果字符串”ABCDEF”的”EF”是好后缀,则”EF”的位置是5 ,上一次出现的位置是 -1(即未出现),所以后移 5 - (-1) = 6位,即整个字符串移到”F”的后一位。
这个规则有三个注意点:
(1)"好后缀"的位置以最后一个字符为准。假定"ABCDEF"的"EF"是好后缀,则它的位置以"F"为准,即5(从0开始计算)。
(2)如果"好后缀"在搜索词中只出现一次,则它的上一次出现位置为 -1。比如,"EF"在"ABCDEF"之中只出现一次,则它的上一次出现位置为-1(即未出现)。
(3)如果"好后缀"有多个,则除了最长的那个"好后缀",其他"好后缀"的上一次出现位置必须在头部。比如,假定"BABCDAB"的"好后缀"是"DAB"、"AB"、"B",请问这时"好后缀"的上一次出现位置是什么?回答是,此时采用的好后缀是"B",它的上一次出现位置是头部,即第0位。这个规则也可以这样表达:如果最长的那个"好后缀"只出现一次,则可以把搜索词改写成如下形式进行位置计算"(DA)BABCDAB",即虚拟加入最前面的"DA"。
回到上文的这个例子。此时,所有的”好后缀”(MPLE、PLE、LE、E)之中,只有”E”在”EXAMPLE”还出现在头部,所以后移 6 - 0 = 6位。
12.
可以看到,”坏字符规则”只能移3位,”好后缀规则”可以移6位。所以,Boyer-Moore算法的基本思想是,每次后移这两个规则之中的较大值。
更巧妙的是,这两个规则的移动位数,只与搜索词有关,与原字符串无关。因此,可以预先计算生成《坏字符规则表》和《好后缀规则表》。使用时,只要查表比较一下就可以了。
13.
继续从尾部开始比较,”P”与”E”不匹配,因此”P”是”坏字符”。根据”坏字符规则”,后移 6 - 4 = 2位。
14.
从尾部开始逐位比较,发现全部匹配,于是搜索结束。如果还要继续查找(即找出全部匹配),则根据”好后缀规则”,后移 6 - 0 = 6位,即头部的”E”移到尾部的”E”的位置。
下面贴出代码并以相应的注释做说明
public class BoyerMoore {
public static void main(String[] args) {
// String source = "here is what you said";
// String word = "what";
String source = "here is a simple example";
String word = "example";
System.out.println(boyerMooreFind(source, word));
}
/**
* boyer moore 查找算法
* @param source 原字符串
* @param search 要查找的词
* @return 输出查到到的位置,未找到则返回-1
*/
public static int boyerMooreFind(String source, String search) {
char[] sourceChars = source.toCharArray();
char[] searchChars = search.toCharArray();
int searchLength = searchChars.length;
// 对应原词的比较位置
int tailIdx = searchLength - 1;
// 尾缀匹配移动位数表
int[] matchTable = createMatchTable(search);
do {
int compareIdx = tailIdx;
for (int idx = searchLength - 1; idx >= 0; idx--, compareIdx--) {
// 记录idx
char wordChar = searchChars[idx];
char sourceChar = sourceChars[compareIdx];
// 一开始并不实现尾缀匹配移动位数表,用不匹配的字符算移动位数
/*if (sourceChar != wordChar) {
int prevMatchIdx = notFindCharMatchPre(searchChars, sourceChar, idx);
tailIdx += idx - prevMatchIdx;
break;
}*/
if (sourceChar != wordChar) {
int prevMatchIdx = notFindCharMatchPre(searchChars, sourceChar, idx);
int moveLength = idx - prevMatchIdx;
if (idx != searchLength - 1) {
int matchCount = searchLength - 1 - idx - 1;
int suffixMatchMoveLength = matchTable[matchCount];
if (suffixMatchMoveLength > moveLength) {
moveLength = suffixMatchMoveLength;
}
}
tailIdx += moveLength;
break;
}
if (idx == 0) {
return compareIdx;
}
}
} while (tailIdx <= (sourceChars.length - 1));
return -1;
}
/**
* current char not find, so search prev, will move curIdx - matchIdx
* @param chars
* @param aChar
* @param curIdx
* @return
*/
public static int notFindCharMatchPre(char[] chars, char aChar, int curIdx) {
for (int idx = curIdx - 1; idx >= 0; idx--) {
if (chars[idx] == aChar) {
return idx;
}
}
return -1;
}
/**
* 根据尾缀生成匹配表,这张表的长度是word.length - 1,
* 并在0的位置记载匹配最后1个字符需要移动的位数,以此类推
* @param word 搜索的词
* @return
*/
public static int[] createMatchTable(String word) {
char[] chars = word.toCharArray();
int wordLength = chars.length;
int tableLength = wordLength - 1;
int[] arr = new int[tableLength];
// 记载上一个长度尾缀是否在前缀匹配到,若无,则不需要再查找了,直接移动前一个长度
boolean find = true;
for (int i = tableLength; i > 0; i--) {
if (find) {
find = false;
} else {
arr[tableLength - i] = arr[tableLength - i - 1];
continue;
}
char aChar = chars[i];
for (int j = i - 1; j >= 0; j--) {
if (aChar == chars[j]) {
int moveLength = i - j;
int tableIdx = tableLength - i;
boolean moveLessThanBefore = false;
if (tableIdx > 0) {
for (int idx = tableIdx - 1; idx >= 0; idx--) {
if (moveLength < arr[idx]) {
moveLessThanBefore = true;
break;
}
}
}
if (moveLessThanBefore) {
continue;
}
arr[tableIdx] = moveLength;
find = true;
break;
}
}
if (!find) {
arr[tableLength - i] = i + 1;
}
}
return arr;
}
}
具体实现还是挺简单的,就是生成“尾缀匹配移动位数表”有些麻烦