[数据结构与算法]KMP的理解

KMP的原理及优势

KMP算法的核心是利用匹配失败后的信息，尽量减少模式串与主串的匹配次数以达到快速匹配的目的。具体实现就是通过一个next数组实现

根据百科的回答，我们能够得到算法的原理大概是利用已知的信息，减少重复冗余的访问主串。因此，KMP算法与Brute-Force算法最大的不同在于主串索引是不会回溯的，因此我们可以带着这个条件来设计我们的算法。

---

算法设计

next数组

next数组是这个算法比较精髓的部分，它里面装着匹配失败后模式串指针该要跳转的索引，因此得到这个数组便是这个算法最重要也是最难得一部分。

next数组预备知识

首先说明一个概念，真子串是不包含自己这个元素的前一段字符所组成的串如：

---

“abcdef"这个字符串，‘e‘的子串是"abcde”，而真子串是"abcd"，

---

这是个比较重要的概念，因为如果定义不一样的话最后得到的next数组也可能会有比较大的区别。当然了，一方面也是为了防止死循环（下一个标题举例说明）。
在理解了真子串这个概念后，我们可以开始理解真前缀和真后缀的概念。就是串的前（0~(i-1))个字符组成叫真前缀(end=(i-1)表示前缀不包括自己这个串，所以叫做真前缀)，后缀与前缀同理，不过有一点需要注意的是不要把后缀与 回文 混淆了，真后缀的字符顺序不会变。（next数组的得到标题下举例说明）

next数组的得到

这次我们用"ABCDABD"来举例，我们求第二个’D’的next值。首先列出他的所有真前后缀。

前缀	“A”	“AB”	“ABC”	“ABCD”	“ABCDA”
后缀	“B”	“AB”	“DAB”	“CDAB”	“BCDAB”

我们取前后缀完全相同的长度为next的元素值，下标则是这个字符在字符串的下标（从0开始）。
我们显然可以看到第二个’D’的next值为2，因为"AB"==“AB”.所以next[6] = 2。

同理我们便可以得到"ABCDABD"的next表：

index	0	1	2	3	4	5	6
next[index]	-1	0	0	0	0	1	2

上面的next表我们可以直接看到一个特殊的现象。next的元素2前是1，1前是0。探其原因，是前一个字符的真子串的真后缀都删除了最后一个字符（真子串变短一位），因此前一项的next是后一项减一，当然这一普遍现象只对于大于零的元素而言。

死循环的原因及解决（例举）

此外为什么上表中0处的next为 -1呢？这是为了消除潜在的死循环。
如aab这个子串如果使用子串（包含自己这个元素的子串）作为判断的话显然可以得到next=[0，1，0]如果在第二个a处匹配失败的话，我们需要跳转到1处，而此时index就是1，这就进入了死循环 ；同理如果在第一个a处匹配失败，我们又在0处死循环了。

模式串	a	a	b
index	0	1	2
next[index]	0	1	0

因此我们使用真子串作为得到next数组的依据；规定next[0]=-1。
如果心中有疑惑，不妨拿出纸和笔来，设一个主串带入上述错误试一试。

跳转出现的现象

分两种情况

1. 当前next为0或-1，这时没有什么现象，就把模式串指针移到0位即可。
2. 当前next不为0，这时候一定会有一个有趣且重要的现象，当前指针前一个元素一定和跳转后指针前一个元素相同，这也是next数组以及算法所实现的核心所在----真子串的前后缀相等的最大长度就是当前索引下的next元素。
   下面做一个简单KMP算法的动画演示。
   

原理的理解

根据上面的各种现象及其它们提供的信息，我们大概就可以得出KMP算法的原理了——将前缀移到后缀的位置，使二者重合利用了后缀所匹配得到的信息，将前缀移到后缀的位置，使二者重合，使得主串指针不回溯而走冤枉路。

代码

class KMP:
    """
    KMP 算法
    实现模式串匹配功能
    打开文件获取主串并查找模式串出现的所有位置。
    
    Attributes: 
        modeStr: 模式串，       需要匹配的字符串
        mainStr: 主串，        被匹配的字符串
        next: next数组，       存放匹配失败后模式串将要跳转的下标
        lastNext： next的推广  多出来的next用于成功匹配后模式串下标跳转位置
        modeLen:模式串长度，   创建next的大小，以及方法中循环的终止条件
        
    """
    modeStr = ''
    mainStr = ''
    next = []
    lastNext = 0
    modeLen = 0
    
    def __init__(self, str):
        """
        类的初始化
        为模式串及相应的数据初始化赋值
        
        Args:
            self:
            str:模式串输入 
            
        Returns:None
        
        """
        self.modeStr = str
        self.modeLen = len(str)
        self.next = [0 for _ in range(self.modeLen)]

    def getNext(self):
        """
        获得模式串的next数组
        next数组是模式串的 当前元素的 真子串的前后缀 相同的最大长度
        根据上述条件求得next数组
        
        Args:
            self: 

        Returns:None

        改进：将next数组多加一位（本代码使用lastNext），将整个模式串作为作为真字串获得lastNext，
              用于多次查找。当成功匹配后，模式串下标指向的位置。

        """
        for i in range(0, self.modeLen+1):
            if i == 0:
                self.next[i] = -1
                continue
            for lenAffix in range(0,i):
                if self.modeStr[:lenAffix] == self.modeStr[i-lenAffix:i]:
                    if i != self.modeLen:
                        self.next[i] = lenAffix
                    else:
                        self.lastNext = lenAffix
                else:
                    break
        print('-'*35)
        print("next数组为：\n"+'-'*(7+4*self.modeLen))
        print('|index', end='|')
        for i in range(self.modeLen):
            print('%3d'% i, end='|')
        print("\n|next:", end='|')
        for i in self.next:
            print('%3d'% i, end='|')
        print('\n'+'-'*(7+4*self.modeLen))


    def match(self, mStr):
        """
        模式串匹配
        利用next数组找到模式串在主串中的位置并返回
        
        Args:
            self: 
            mStr: 主串

        Returns:模式串在主串的位置

        """
        i = 0; j = 0
        index = []
        while i < len(mStr):
            if j == -1 or j < self.modeLen and mStr[i] == self.modeStr[j]:
                i += 1
                j += 1
            else:
                if j == self.modeLen:
                    i = i - self.modeLen + 1
                    j = self.lastNext
                    index.append(i)
                else:
                    j = self.next[j]
        return index

    def getMainStr(self, fileName):
        """
        入口函数
        读取参数中的文件作为主串，找到所有匹配的位置并打印
        
        Args:
            self: 
            fileName: 主串存放的文件名

        Returns:None

        """
        self.getNext()
        numRow = 0
        numColumn = 0
        count = 0

        # 下面的路径更改为自己的路径
        with open(r'E:\My projects\Data Structures and Algorithm\KMP\\' + fileName, 'r') as f:
            print("\nRow\t\tColumn\n"+'-'*15)
            for line in f:
                if len(line) >= self.modeLen:
                    numRow += 1
                    numColumn = self.match(line)
                    for i in numColumn:
                        count += 1
                        print('%4d\t\t%2d' % (numRow,i))
            f.close()
        print('-'*15 + '\n'+'共找到%3d条匹配信息。'% count)

modeStr = ''
while modeStr == '':
    modeStr = input('请输入模式串：')
a = KMP(modeStr)
a.getMainStr(input('请输入文件名: '))

总结

第一次的博客贡献给了KMP算法，花费了我不少时间，从开始构思，到实现代码，以及ppt做的动画演示，都花费了不少心血，但也让我得到了不少的收获。所以我觉得这是有意义的，最后的最后，希望能给有需要的同学提供帮助！

本文为原创文章，转载请标明出处！