字符串6——实现 strStr()

题目

链接地址

https://leetcode.cn/problems/implement-strstr/

说明

实现 strStr() 函数。

给你两个字符串 $haystack$ 和 $needle$ ，请你在 $haystack$ 字符串中找出 needle 字符串出现的第一个位置（下标从 0 开始）。如果不存在，则返回 $-1$ 。

说明：

当 needle 是空字符串时，我们应当返回什么值呢？这是一个在面试中很好的问题。

对于本题而言，当 needle 是空字符串时我们应当返回 $0$ 。这与 C 语言的 $strstr()$ 以及 $Java$ 的 $indexOf()$ 定义相符。

示例 1：

输入：haystack = "hello", needle = "ll"
输出：2

示例 2：

输入：haystack = "aaaaa", needle = "bba"
输出：-1

提示：

• $1\le haystack.length,needle.length\le 104$
• $haystack和needle仅由小写英文字符组成$

解题

前言

本题是经典的字符串单模匹配的模型，因此可以使用字符串匹配算法解决，常见的字符串匹配算法包括暴力匹配、$\text{Knuth-Morris-Pratt}$ 算法、$\text{Boyer-Moore}$ 算法、$\text{Sunday}$ 算法等，本文将讲解 $\text{Knuth-Morris-Pratt}$算法。

因为哈希方法可能出现哈希值相等但是字符串不相等的情况，而 $\text{strStr}$ 函数要求匹配结果必定正确，因此本文不介绍哈希方法，有兴趣的读者可以自行了解滚动哈希的实现（如 $\text{Rabin-Karp}$ 算法）。

方法一：暴力匹配

思路及算法

我们可以让字符串 $\text{needle}$ 与字符串 $\text{haystack}$ 的所有长度为 $m$ 的子串均匹配一次。

为了减少不必要的匹配，我们每次匹配失败即立刻停止当前子串的匹配，对下一个子串继续匹配。如果当前子串匹配成功，我们返回当前子串的开始位置即可。如果所有子串都匹配失败，则返回 $-1$。

代码

class Solution {
public:
    int strStr(string haystack, string needle) {
        int n = haystack.size(), m = needle.size();
        for (int i = 0; i + m <= n; i++) {
            bool flag = true;
            for (int j = 0; j < m; j++) {
                if (haystack[i + j] != needle[j]) {
                    flag = false;
                    break;
                }
            }
            if (flag) {
                return i;
            }
        }
        return -1;
    }
};

复杂度分析

• 时间复杂度：$O(n\times m)$，其中 n 是字符串 $\text{haystack}$ 的长度，m 是字符串 $\text{needle}$ 的长度。最坏情况下我们需要将字符串 $\text{needle}$ 与字符串 $\text{haystack}$ 的所有长度为 $m$ 的子串均匹配一次。

• 空间复杂度：$O(1)$。我们只需要常数的空间保存若干变量。

方法二：$\text{Knuth-Morris-Pratt}$ 算法

思路及算法

$\text{Knuth-Morris-Pratt}$算法，简称 $\text{KMP}$ 算法，由 $\text{Donald Knuth}$、$\text{James H. Morris}$和 $\text{Vaughan Pratt}$三人于 1977年联合发表。

$\text{Knuth-Morris-Pratt}$算法的核心为前缀函数，记作 $\pi (i)$，其定义如下：

对于长度为 $m$ 的字符串 $s$，其前缀函数 $\pi (i)(0\le i<m)$表示 $s$ 的子串 $s[0:i]$ 的最长的相等的真前缀与真后缀的长度。特别地，如果不存在符合条件的前后缀，那么 $\pi (i)=0$。其中真前缀与真后缀的定义为不等于自身的的前缀与后缀。

我们举个例子说明：字符串 $aabaaab$ 的前缀函数值依次为 $0,1,0,1,2,2,3$。

• $\pi (0)=0$，因为 $a$ 没有真前缀和真后缀，根据规定为 $0$（可以发现对于任意字符串 $\pi (0)=0$ 必定成立）；

• $\pi (1)=1$，因为 $aa$ 最长的一对相等的真前后缀为 $aa$，长度为 $1$；

• $\pi (2)=0$，因为 $aab$ 没有对应真前缀和真后缀，根据规定为 $0$；

• $\pi (3)=1$，因为 $aaba$ 最长的一对相等的真前后缀为 $a$，长度为 $1$ ；

• $\pi (4)=2$，因为 $aabaa$最长的一对相等的真前后缀为 $aa$，长度为 $2$；

• $\pi (5)=2$，因为 $aabaaa$ 最长的一对相等的真前后缀为 $aa$，长度为 $2$；

• $\pi (6)=3$，因为 $aabaaab$ 最长的一对相等的真前后缀为 $aab$，长度为 $3$。

有了前缀函数，我们就可以快速地计算出模式串在主串中的每一次出现。

如何求解前缀函数

长度为 $m$ 的字符串 $s$ 的所有前缀函数的求解算法的总时间复杂度是严格 $O(m)$ 的，且该求解算法是增量算法，即我们可以一边读入字符串，一边求解当前读入位的前缀函数。

为了叙述方便，我们接下来将说明几个前缀函数的性质：

1. $\pi (i)\le \pi (i-1)+1$。

• 依据 $\pi (i)$ 定义得：$s[0:\pi (i)-1]=s[i-\pi (i)+1:i]$。
• 将两区间的右端点同时左移，可得：$s[0:\pi (i)-2]=s[i-\pi (i)+1:i-1]$。
• 依据 $\pi (i-1)$ 定义得：$\pi (i-1)\ge \pi (i)-1$，即 $\pi (i)\le \pi (i-1)+1$。

2. 如果 $s[i]=s[\pi (i-1)]$，那么 $\pi (i)=\pi (i-1)+1$。

• 依据 $\pi (i-1)$ 定义得：$s[0:\pi (i-1)-1]=s[i-\pi (i-1):i-1]$。
• 因为 $s[\pi (i-1)]=s[i]$，可得 $s[0:\pi (i-1)]=s[i-\pi (i-1):i]$。
• 依据 $\pi (i)$ 定义得：$\pi (i)\ge \pi (i-1)+1$，结合第一个性质可得 $\pi (i)=\pi (i-1)+1$。

这样我们可以依据这两个性质提出求解 $\pi (i)$的方案：找到最大的 $j$，满足 $s[0:j-1]=s[i-j:i-1]$，且 $s[i]=s[j]$（这样就有 $s[0:j]=s[i-j:i]$，即 $\pi (i)=j+1$）。

注意这里提出了两个要求：

1. $j$ 要求尽可能大，且满足 $s[0:j-1]=s[i-j:i-1]$；
2. $j$ 要求满足 $s[i]=s[j]$。

由 $\pi (i-1)$定义可知：

$$s[0:\pi (i-1)-1]=s[i-\pi (i-1):i-1]\text{\hspace{1em}(1)}$$

那么 $j=\pi (i-1)$ 符合第一个要求。如果 $s[i]=s[\pi (i-1)]$，我们就可以确定 $\pi (i)$。

否则如果 $s[i]\ne s[\pi (i-1)]s$，那么 $\pi (i)\le \pi (i-1)$，因为 $j=\pi (i)-1$，所以 $j<\pi (i-1)$，于是可以取 $(1)$ 式两子串的长度为 $j$ 的后缀，它们依然是相等的：$s[\pi (i-1)-j:\pi (i-1)-1]=s[i-j:i-1]$。

当 $s[i]\ne s[\pi (i-1)]$时，我们可以修改我们的方案为：找到最大的 $j$，满足 $s[0:j-1]=s[\pi (i-1)-j:\pi (i-1)-1]$，且 $s[i]=s[\pi (i-1)]$（这样就有 $s[0:j]=s[\pi (i-1)-j:\pi (i-1)]$，即 $\pi (i)=\pi (i-1)+1$。

注意这里提出了两个要求：

1. $j$ 要求尽可能大，且满足 $s[0:j-1]=s[\pi (i-1)-j:\pi (i-1)-1]$；
2. $j$ 要求满足 $s[i]=s[j]$。

由 $\pi (\pi (i-1)-1)$ 定义可知 $j=\pi (\pi (i-1)-1)$ 符合第一个要求。如果 $s[i]=s[\pi (\pi (i-1)-1)]$，我们就可以确定 $\pi (i)$。

此时，我们可以发现 $j$ 的取值总是被描述为 $\pi (\pi (\pi (\dots )-1)-1)$ 的结构（初始为 $\pi (i-1)$。于是我们可以描述我们的算法：设定 $\pi (i)=j+1$，$j$ 的初始值为 $\pi (i-1)$。我们只需要不断迭代 $j$（令 $j$ 变为 $\pi (j-1)$直到 $s[i]=s[j]$ 或 $j=0$ 即可，如果最终匹配成功（找到了 $j$ 使得 $s[i]=s[j]$），那么 $\pi (i)=j+1$，否则 $\pi (i)=0$。

复杂度证明

• 时间复杂度部分，注意到 $\pi (i)\le \pi (i-1)+1$，即每次当前位的前缀函数至多比前一位增加一，每当我们迭代一次，当前位的前缀函数的最大值都会减少。可以发现前缀函数的总减少次数不会超过总增加次数，而总增加次数不会超过 $m$ 次，因此总减少次数也不会超过 $m$ 次，即总迭代次数不会超过 $m$ 次。

• 空间复杂度部分，我们只用到了长度为 $m$ 的数组保存前缀函数，以及使用了常数的空间保存了若干变量。

如何解决本题

记字符串 $\text{haystack}$ 的长度为 $n$，字符串 $\text{needle}$ 的长度为 $m$。

我们记字符串 $\text{str}=\text{needle}+\#+\text{haystack}$，即将字符串 $\text{needle}$ 和 $\text{haystack}$ 进行拼接，并用不存在于两串中的特殊字符 ## 将两串隔开，然后我们对字符串 $\text{str}$ 求前缀函数。

因为特殊字符 ## 的存在，字符串 $\text{str}$ 中 $\text{haystack}$ 部分的前缀函数所对应的真前缀必定落在字符串 $\text{needle}$ 部分，真后缀必定落在字符串 $\text{haystack}$ 部分。当 $\text{haystack}$ 部分的前缀函数值为 $m$时，我们就找到了一次字符串 $\text{needle}$ 在字符串 $\text{haystack}$ 中的出现（因为此时真前缀恰为字符串 $\text{needle}$）。

实现时，我们可以进行一定的优化，包括：

1. 我们无需显式地创建字符串 $\text{str}$。

• 为了节约空间，我们只需要顺次遍历字符串 $\text{needle}$、特殊字符 $\#$ 和字符串 $\text{haystack}$ 即可。

2. 也无需显式地保存所有前缀函数的结果，而只需要保存字符串 $\text{needle}$ 部分的前缀函数即可。

• 特殊字符 $\#$ 的前缀函数必定为 $0$，且易知 $\pi (i)\le m$（真前缀不可能包含特殊字符 $\#$）。
• 这样我们计算 $\pi (i)$ 时，$j=\pi (\pi (\pi (\dots )-1)-1)$ 的所有的取值中仅有 $\pi (i-1)$ 的下标可能大于等于 $m$。我们只需要保存前一个位置的前缀函数，其它的 $j$ 的取值将全部为字符串 $\text{needle}$ 部分的前缀函数。

3. 我们也无需特别处理特殊字符 $\#$，只需要注意处理字符串 $\text{haystack}$ 的第一个位置对应的前缀函数时，直接设定 jj 的初值为 $0$ 即可。
   这样我们可以将代码实现分为两部分：

4. 第一部分是求 $\text{needle}$ 部分的前缀函数，我们需要保留这部分的前缀函数值。

5. 第二部分是求 $\text{haystack}$ 部分的前缀函数，我们无需保留这部分的前缀函数值，只需要用一个变量记录上一个位置的前缀函数值即可。当某个位置的前缀函数值等于 $m$ 时，说明我们就找到了一次字符串 $\text{needle}$ 在字符串 $\text{haystack}$ 中的出现（因为此时真前缀恰为字符串 $\text{needle}$，真后缀为以当前位置为结束位置的字符串 $\text{haystack}$ 的子串），我们计算出起始位置，将其返回即可。

代码

C++

class Solution {
public:
    int strStr(string haystack, string needle) {
        int n = haystack.size(), m = needle.size();
        if (m == 0) {
            return 0;
        }
        vector<int> pi(m);
        for (int i = 1, j = 0; i < m; i++) {
            while (j > 0 && needle[i] != needle[j]) {
                j = pi[j - 1];
            }
            if (needle[i] == needle[j]) {
                j++;
            }
            pi[i] = j;
        }
        for (int i = 0, j = 0; i < n; i++) {
            while (j > 0 && haystack[i] != needle[j]) {
                j = pi[j - 1];
            }
            if (haystack[i] == needle[j]) {
                j++;
            }
            if (j == m) {
                return i - m + 1;
            }
        }
        return -1;
    }
};

复杂度分析

• 时间复杂度：$O(n+m)$，其中 nn 是字符串 $\text{haystack}$ 的长度，$m$ 是字符串 $\text{needle}$ 的长度。我们至多需要遍历两字符串一次。

• 空间复杂度：$O(m)$，其中 $m$ 是字符串 $\text{needle}$的长度。我们只需要保存字符串 $\text{needle}$的前缀函数。