[算法与数据结构] - No.11 字符串匹配KMP算法

最近复习到字符串的地方，看到了字符串匹配的算法。学习了KMP算法，发觉KMP算法是一个设计非常巧妙同时特别美丽的算法。虽然很晦涩难懂，但是在理解以后越来越觉得这个算法很美。在这里记录一下。同时我借鉴了阮一峰老师的关于KMP算法的介绍以及图文，在最后补上我在网上学习的实现的比较的KMP算法

举例来说，有一个字符串"BBC ABCDAB ABCDABCDABDE"，我想知道，里面是否包含另一个字符串"ABCDABD"？
许多算法可以完成这个任务，Knuth-Morris-Pratt算法（简称KMP）是最常用的之一。它以三个发明者命名，起头的那个K就是著名科学家Donald Knuth。
这种算法不太容易理解，网上有很多解释，但读起来都很费劲。直到读到Jake Boxer的文章，我才真正理解这种算法。下面，我用自己的语言，试图写一篇比较好懂的KMP算法解释。
1.


首先，字符串"BBC ABCDAB ABCDABCDABDE"的第一个字符与搜索词"ABCDABD"的第一个字符，进行比较。因为B与A不匹配，所以搜索词后移一位。
2.


因为B与A不匹配，搜索词再往后移。
3.

就这样，直到字符串有一个字符，与搜索词的第一个字符相同为止。
4.


接着比较字符串和搜索词的下一个字符，还是相同。
5.

直到字符串有一个字符，与搜索词对应的字符不相同为止。
6.

这时，最自然的反应是，将搜索词整个后移一位，再从头逐个比较。这样做虽然可行，但是效率很差，因为你要把"搜索位置"移到已经比较过的位置，重比一遍。
7.

一个基本事实是，当空格与D不匹配时，你其实知道前面六个字符是"ABCDAB"。KMP算法的想法是，设法利用这个已知信息，不要把"搜索位置"移回已经比较过的位置，继续把它向后移，这样就提高了效率。
8.

怎么做到这一点呢？可以针对搜索词，算出一张《部分匹配表》（Partial Match Table）。这张表是如何产生的，后面再介绍，这里只要会用就可以了。
9.

已知空格与D不匹配时，前面六个字符"ABCDAB"是匹配的。查表可知，最后一个匹配字符B对应的"部分匹配值"为2，因此按照下面的公式算出向后移动的位数：
　　移动位数 = 已匹配的字符数 - 对应的部分匹配值
因为 6 - 2 等于4，所以将搜索词向后移动4位。
10.

因为空格与Ｃ不匹配，搜索词还要继续往后移。这时，已匹配的字符数为2（"AB"），对应的"部分匹配值"为0。所以，移动位数 = 2 - 0，结果为 2，于是将搜索词向后移2位。
11.

因为空格与A不匹配，继续后移一位。
12.

逐位比较，直到发现C与D不匹配。于是，移动位数 = 6 - 2，继续将搜索词向后移动4位。
13.

逐位比较，直到搜索词的最后一位，发现完全匹配，于是搜索完成。如果还要继续搜索（即找出全部匹配），移动位数 = 7 - 0，再将搜索词向后移动7位，这里就不再重复了。
14.


下面介绍《部分匹配表》是如何产生的。
首先，要了解两个概念："前缀"和"后缀"。 "前缀"指除了最后一个字符以外，一个字符串的全部头部组合；"后缀"指除了第一个字符以外，一个字符串的全部尾部组合。
15.

"部分匹配值"就是"前缀"和"后缀"的最长的共有元素的长度。以"ABCDABD"为例，
　　－　"A"的前缀和后缀都为空集，共有元素的长度为0；
　　－　"AB"的前缀为[A]，后缀为[B]，共有元素的长度为0；
　　－　"ABC"的前缀为[A, AB]，后缀为[BC, C]，共有元素的长度0；
　　－　"ABCD"的前缀为[A, AB, ABC]，后缀为[BCD, CD, D]，共有元素的长度为0；
　　－　"ABCDA"的前缀为[A, AB, ABC, ABCD]，后缀为[BCDA, CDA, DA, A]，共有元素为"A"，长度为1；
　　－　"ABCDAB"的前缀为[A, AB, ABC, ABCD, ABCDA]，后缀为[BCDAB, CDAB, DAB, AB, B]，共有元素为"AB"，长度为2；
　　－　"ABCDABD"的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB]，后缀为[BCDABD, CDABD, DABD, ABD, BD, D]，共有元素的长度为0。
16.

"部分匹配"的实质是，有时候，字符串头部和尾部会有重复。比如，"ABCDAB"之中有两个"AB"，那么它的"部分匹配值"就是2（"AB"的长度）。搜索词移动的时候，第一个"AB"向后移动4位（字符串长度-部分匹配值），就可以来到第二个"AB"的位置。

算法到此为止应该看懂了，简单地说就是KMP算法在失配以后不像穷举那样往后退一个，而是利用前、后缀的公共部分，将失配前的字符和前缀进行匹配。

同时next[]数组的存储的数值的意义也很明了，那就是到当前索引的字符节点为止的字符串前后缀的最大公共位数。如何在较小的时间复杂度情况下计算该数组呢？

获取next[]数组：void getNext(string target)

int next[100] = {0};
void getNext(string str)
{
    next[0] = 0;
    int index; //指向匹配字符串
    int maxlen;//当前位置前后缀最大公共部分长度
    int len = str.length();
    for(int i = 1,k = 0;i<len;i++) // 给每一个next数组赋值
    {
        while(k>0&&str[i]!=str[k]) 
        {                           
            k = next[k-1];
        }
        if(str[k] == str[i])
        {
            k++;
        }
        next[i] = k;
    }

}

接下来我就好好解释一下这段代码。这段代码一开始也没有理解，在游泳的时候突然就通了

讨论当我们遍历到索引为i的字符的情况：

如果此时K>0的话，那么说明在i-1之前的字符串，前后缀是有公共部分的。那么我们继续匹配str[i]和str[K]

（注意:这里的K即可以用来表示之前的字符串的前后缀的相同部分的长度，同时也表示了我们即将匹配的字符串的索引）

那么，如果str[i]!=str[k]说明匹配失败了，即以到索引i位置，字符串前后缀不相同了。记得我们说过next数组中存的是以该索引为结束的字符串的最长公共前后缀长度。

同时也是其前缀结尾的索引+1。是不是很难理解？上个图

例如，B对应的next数组值为2，表示ABCDAB最长公共前后缀长度AB为2，其后缀AB对应的前缀结束的索引为 2 - 1 = 1；

那么我们应该利用已经得到的next[0]···next[k-1]来求P[0]···P[k-1]这个子串中最大相同前后缀

原因在于P[k]已经和P[q]失配了，而且P[q-k] ··· P[q-1]又与P[0] ···P[k-1]相同。那么我要找个同样也是P[0]打头、P[k-1]结尾的子串即P[0]···P[j-1](j==next[k-1])，看看它的下一项P[j]是否能和P[q]匹配。

那么如果str[i]和str[k]相同了，那么最大公共部分就增大1，同时i对应的next为k

#include <iostream>
#include <string.h>
using namespace std;
int next[100] = {0};
void getNext(string str)
{
    next[0] = 0;
    int index;
    int maxlen;
    int len = str.length();
    for(int i = 1,k = 0;i<len;i++)
    {
        while(k>0&&str[i]!=str[k])
        {
            k = next[k-1];
        }
        if(str[k] == str[i])
        {
            k++;
        }
        next[i] = k;
    }

}
void kmp(string src,string trgt)
{
    int slen = src.length();
    int tlen = trgt.length();
    for(int i = 0,q = 0;i<slen;i++)
    {
        while(q>0&&trgt[q]!=src[i])
        {
            q = next[q-1];
        }
        if(trgt[q] == src[i])
        {
            q++;
        }
        if(q == tlen)
        {
            cout<<"Pattern occurs with shift:"<< i-tlen+1<<endl;
            return;
        }
    }
}
int main()
{
    string src = "ABCDABCDABD";
    string trgt = "ABCDABD";
    getNext(trgt);
    kmp(src,trgt);
}

同时贴上我打印出的手工计算的过程供大家参考：

参考博客

阮一峰老师博客

P.S.文章不妥之处还望指正