一. 实践内容
文本文件单词的检索与计数
(1)实践任务
- 建立一个文本文件,统计给定单词在文本文件中出现的总次数及位置
(2)项目需求
- 文本文件中每个单词不包含空格且不跨行,单词由字符序列构成且区分大小写,统计给定单词在文本文件中出现的总次数,检索输出的某个单词出现在文本中的行号、在该行中出现的位置
- 设计数据量大的文本,进行子串的查询处理,分析算法运行的时间效率,对所有输出的匹配位置结果进行验证,以证明算法设计和实现的正确性
- 用朴素模式匹配算法或KMP算法实现字符串定位
- 可正确读取,保存文本
二. 开发环境
实现语言:Java
开发平台:IntelliJ IDEA
三. 项目设计
(1)朴素模式匹配算法
即遍历主串,然后把待匹配字符串与子串进行比对,先把待匹配子串的第一个字母与主串进行匹配,若匹配成功,则两串的坐标依次 ++,匹配不成功时,主串坐标返回到开始匹配时的坐标,待匹配串坐标清零,若待匹配坐标等于待匹配子串长度,则证明匹配成功, 返回匹配完毕主串的第一个坐标,否则返回-1
假设主串的长度为N,待匹配串的长度为M,因为需要遍历主串,每次匹配的长度都小于等于M,所以它的时间复杂度是O(M*N)的
(2)KMP模式匹配算法
KMP,一般用来表示克努斯-莫里斯-普拉特算法(Knuth-Morris-Pratt),是在一个“主文本字符串” Str内查找一个“词” Match 的出现,通过观察发现,在不匹配发生的时候这个词自身包含足够的信息来确定下一个匹配将在哪里开始, 以此避免对以前匹配过的字符重新检查。
KMP模式匹配算法主要解决的是传统朴素模式匹配算法,当主串从i开始进行匹配,当匹配到j位置时,发现不匹配,主串跳回i+1位置,匹配串跳回0位置,这就导致匹配的效率很低,时间复杂度很高。
KMP则当到j位置不匹配时,主串不动,匹配串先通过计算从当前位置的前缀子串和后缀子串的最大匹配串的长度, KMP算法的精髓就是在于求nextArray的过程,这个数组的作用就是把待匹配字符串从头开始向右滑动和主串进行匹配(每次滑动的大小就是nextArray[i]存储的值的大小)从而省去了match字符串返回到终点和主串返回到i+1位置 上的过程。
逻辑思路:
①求nextArray数组的值。我们在进行KMP模式匹配的时候,因为每次匹配失败,match字符串都要向右滑动nextArray[j-i]
个长度的值,所以,第一步就是要求得nextArray数组的值。如何求nextArray的值?首先我们来看nextArray数组的定义:
当主串从i位置开始匹配,到j位置失败的时候,match指针现在的位置是在j-i位置上的,我们得到一个必须一match[0]开头的前缀字符串,必须以match[j-i-1]结尾的后缀字符串,这两个字符串的最大匹配长度就是nextArray[j-i]的值。举个例子:假设match=“aaaaabb”,这个字符串,匹配失败的时候j-i的值为6,则match[j-i]=“b”,所以它之前的字符串为 “aaaaab”,其前缀字符串为match[1,2,3,4,5]=“aaaab”,后缀字符为match[0,1,2,3,4]=“aaaaa"所以它的最大匹配字符串为"aaaa”,长度为4,所以,nextArray[j-i]的值为4.
②当主串从i位置开始匹配的时候,匹配到j位置发现不匹配。如果,此时nextArray的值为-1也就是没有找到滑动的字符串 的时候,主串的位置++,否则,把match的字符串的从头向右滑动nextArray[j-i]个字符,让match[k],k的值为 nextArray[j-i]的值+1,与str[j]的值进行匹配,直至str在某一位置把match匹配完,则证明str中有match 返回的位置为si-mi的值,如果match滑到最后也没有匹配出来,则证明该主串中没有match,返回-1,整个过程结束。
(3)文本单词计数
- 使用朴素模式匹配算法或KMP模式匹配算法对文本中单词定位
- 每次定位成功count+1,并将位置信息储存于列表中
- 文本全部查询完毕后打印count,并展示位置信息