php随机匹配算法,字符串匹配的KMP算法+PHP实现

1. 前言

看了阮一峰的字符串匹配的KMP算法，写得很好，推荐看看。

不过我想自己写个例子描述一下这个算法，顺便写个PHP实现，于是有了这篇博文。

2. 概述 [来自维基百科]

字符串搜索算法

字符串搜索算法(String searching algorithms)又称字符串比对算法(string matching algorithms)是一种搜索算法，是字符串算法中的一类，用以试图在一长字符串或文章中，找出其是否包含某一个或多个字符串，以及其位置。

部分算法比较 [克努斯-莫里斯-普拉特算法即KMP算法]

令 m 为模式的长度， n 为要搜索的字符串长度， k为字母表长度。

image.png

3. 算法解读

3.1 例子

给定字符串：

RXYZAHXFXYZAXYZAXYZ

需要搜索的字符串是：

XYZAXY

朴素匹配的步骤很简单，先对比两个字符串的第一个字母，如果不一样，对比给定字符串的下一个字母，如果一样，那么对比两个字符串的第二个字母，以此类推。这种算法的缺点是效率低，因为做了很多无用工，比如，我在匹对 RXYZAHXFXYZAXYZAXYZ和XYZAXY字符串的时候，我在匹对给定字符串的XYZAH和要搜索的字符串XYZAXY这一步，前四个字母的已经匹对成功的，这四个字母是

XYZA

这个字符串的前缀和后缀

前缀:

[X,XY,XYZ]

后缀:

[YZA,ZA,A]

没有共同的元素，这表示在这个长度内，不会有能和要搜索字符串的前缀匹配的部分，那么就可以直接跳过这一部分字符串的对比。这就是KMP算法的核心。所以，我们首先要对要搜索的字符串生成一个匹配表。

3.2 部分匹配表

如何给字符串生成一个匹配表？

XYZAXY

- X 前缀和后缀都是空，所以共有元素的长度0；

- XY 前缀[X]，后缀[Y], 共有元素的长度0；

- XYZ 前缀[X,XY]，后缀[Y,YZ]，共有元素的长度0；

- XYZA 前缀[X,XY,XYZ]，后缀[YZA,ZA,A]，共有元素的长度0；

- XYZAX 前缀[X,XY,XYZ,XYZA]，后缀[YZAX,ZAX,AX,X]，共有元素X的长度1；

- XYZAXY 前缀[X,XY,XYZ,XYZA,XYZAX]，后缀[YZAXY,ZAXY,AXY,XY,Y]，共有元素XY的长度2；

因此生成的匹配表：

image.png

3.3 匹配

好了，现在来看一下怎么使用上一步骤的表。

首先，移位的计算公式：

移动位数 = 已匹配的字符数 - 对应的部分匹配值

下面看具体步骤：

步骤1

image.png

匹配第一个字符，不一致，则将要搜索的字符串右移一位，直至到匹配第1位字母。

步骤2

image.png

从第一个字符串的第一个X开始，已匹配是4位，查表最后一位匹配的字母对应的匹配值是0，所以右移4位。

步骤3

image.png

移位后发现不匹配，又要继续右移一位，直至匹配第1位字母。

步骤4

image.png

发现匹配了X之后，下一位右不匹配了，查表得到X对应的匹配值是0，1-0=1，再右移一位。

步骤5

image.png

继续匹配，666，发现完全匹配，所以呀，就是找到了一个出现的地方。这时候，已匹配是6个，查表部分匹配值2，移动位数6-2=4.

步骤6

image.png

又继续匹配，发现又发现一个。这时候移位位数是4，给定字符串已经没了，所以匹配终止。

3.4 结论

要搜索的字符串在给定字符串出现的次数是2次，如图：

image.png

4. 伪代码[来自《算法导论》]

预处理，生成部分匹配表

//注意：伪代码下标都是从1开始，这是《算法导论》约定俗成的

COMPUTE-PREFIX-FUNCTION(P)

m = P.length

let π[1...m] be a new array

π[1] = 0

k = 0

for q = 2 to m

while k > 0 and P[k +1] != P[q] //这一步很巧妙，但是比较难理解，下面解释

k = π[k]

if P[k + 1] == P[q] //对比上一个部分匹配值的下一个字母是否与当前字母一致

k = k + 1

π[q] = k //保存q对于的部分匹配值

return π

下面解释上面伪代码COMPUTE-PREFIX-FUNCTION的关键步骤

while k > 0 and P[k +1] != P[q]

k = π[k]

举个比较好理解的例子：

P = XYXYXZT

假设当前运行到Z，则之前生成的 π为

π[1~5] = [0,0,1,2,3];

此时 k = 3, q = 6, P[4] != P[6] 符合while循环的条件，进入循环。

1.P[4]= P[6]：

首先，在这里为什么要比较P[4] 和 P[6]？这是因为Z前面X对于的π[5] = 3,

这说明P[1~3] = P[3~5],所以一旦P[4]= P[6]，则立马可以

进行下一步的k=k+1(这时if的判断结果肯定的true)；

2.如果P[4] != P[6]：

这时候我们把注意力放在P[1~3],这时候我们求的是P[1~3]前缀和P[4~6]的后缀的公共元素。

这时候我们获取P[3]的部分匹配值，π[3]=1,说明P[1] = P[3]。由上面的P[1~3] = P[3~5]知道，

P[1] = P[3] = P[5]，那么我们只需比较P[2] = P[6]，无需从头匹配一遍P[1~3]=P[4~6]，假设相等，

这时候就有P[1~2] = P[5~6]，对应的部分匹配值+1，但是，很不幸，这时候依然不等，所以继续循环。

3. 结论：

k = π[k]其实是利用了部分匹配值提供的信息减少比较次数。

匹配

KMP-MATCHER(T, P)

n = T.length

m = P.length

π = COMPUTE-PREFIX-FUNCTION(P)

q = 0

for i = 1 to n

while q > 0 and P[q + 1] != T[i] //这一步和上面的那一步本质上意义是相同的

q = π[q]

if P[q + 1] == T[i]

q = q + 1

if q == m

print "Pattern occurs with shift" i - m

q = π[q]

运行时间分析

运行摊还分析的聚合方法进行分析，过程COMPUTE-PREFIX-FUNCTION的运行时间为Θ(m)。唯一微妙的部分是while循环总共执行时间是O(m)。下面将说明它至多进行了m-1次迭代。我们从观察k的值开始:

1)初始值0，并且增加k的唯一方法是

if P[k + 1] == P[q]

k = k + 1

这个在for循环每次迭代至多执行一次，因此，k总共增加m-1次；

2) 在进行for循环时，k

3)k永远不可能为负值。

综上，k的递减来自于while循环，它由k在所有for循环迭代中的增长所限定，k总共下降m-1。因此，while循环最多迭代m-1次，并且COMPUTE-PREFIX-FUNCTION的运行时间为Θ(m)。

同样的方法分析可知KMP-MATCHER的时间复杂度是Θ(n)。

5. PHP实现

class Kmp {

/**

* 生成部分匹配表

* @param string $p

* @return array

*/

public function ComputePrefix($p)

{

$m = strlen($p);

$table = [];

$table[0] = 0;

$k = 0;

for($q = 1; $q < $m; $q++)

{

while ($k > 0 && $p[$k] != $p[$q])

$k = $table[$k];

if($p[$k] == $p[$q])

$k = $k + 1;

$table[$q] = $k;

}

return $table;

}

/**

* 匹配

* @param string $str

* @param string $p

*/

public function Matcher($T, $p)

{

$n = strlen($T);

$m = strlen($p);

$table = $this->ComputePrefix($p);

$q = 0;

$match = [];

for($i = 0; $i < $n; $i++)

{

while ($q > 0 && $p[$q] != $T[$i])

$q = $table[$q];

if($p[$q] == $T[$i])

$q = $q + 1;

if($q == $m) {

$match[] = ['begin' => $i - $m + 1, 'end' => $i];

$q = $table[$q - 1];

}

}

return $match;

}

}

$kmp = new Kmp();

$match = $kmp->Matcher('RXYZAHXFXYZAXYZAXYZ', 'XYZAXY');

运行结果：

image.png

即匹配结果有两个，分别是

$p[8] ~ $p[13]

和

$p[12] ~ $p[17]