大量的数据做字符串匹配_数据结构与算法之美 | 字符串匹配算法原理讲解(Hash、KMP、BM、Sunday)...

• 0.引言
• 1. 字符串Hash
  • 1.1 自然溢出法
  • 1.2 单Hash法
  • 1.3 双Hash法
  • 1.4字符串hash的获取
• 2. KMP
• 3. BM
  • 3.1 坏字符串规则
  • 3.2 好后缀规则
• 4. Sunday

0.引言

字符串的定位操作通常称作字符串的模式匹配，是各种字符串处理系统中最重要的操作之一，本文介绍Hash、KMP、BM、Sunday四种匹配算法。

1. 字符串Hash

字符串Hash就是在字符串上进行哈希，可通俗理解为把字符串转为整数，最后构建理想状态下的一个整数对应一个字符串的单射。
给定一个字符串S，我们规定:

1.1 自然溢出法

自然溢出Hash公式为:

这里的hash数组利用了unsigned long long的自然溢出对(2^{64} - 1)(264−1)取模。

1.2 单Hash法

单hash公式为:

其中p和mod均为素数，且p<mod，为了降低hash冲突，可让p和mod尽量往大取。

当一个哈希值对应两个或多个字符串时出现哈希冲突

取素数可以有效避免冲突，可以参照以下例子：
设函数表达式为f(y, x) = y∗x mod N
当N = 8，y = 2时：

当N = 7，y = 2时：

可以看出取素数冲突变少了。

1.3 双Hash法

将一个字符串用不同的mod hash两次，再将两个结果用一个二元组表示，构成一个

1.4 字符串hash的获取

根据定义可以得出:

hash[1]=s_1hash[1]=s1​
hash[2]=s_1times p+s_2hash[2]=s1​×p+s2​
hash[3]=s_1times p^2+s_2times p+s_3hash[3]=s1​×p2+s2​×p+s3​
hash[4]=s_1times p^3+s_2times p^2+s_3times p+s_4hash[4]=s1​×p3+s2​×p2+s3​×p+s4​

又由

hash[3,4]=s_3times p+s_4hash[3,4]=s3​×p+s4​
hash[4]=s_1times p^3+s_2times p^2+s_3times p+s_4hash[4]=s1​×p3+s2​×p2+s3​×p+s4​
hash[2]=s_1times p+s_2hash[2]=s1​×p+s2​

可以得出: