Python：对字符串匹配算法的分析

问题描述

字符串匹配问题可以归纳为如下的问题：
在长度为n的文本T[1...n]中，查找一个长度为m的模式P[1...m]。并且假设T，P中的元素都来自一个有限字母集合Ʃ。如果存在位移s，其中0≤s≤n-m，使得T[s+1..s+m] = P[1..m]。则可以认为模式P在T中出现过。

1. 朴素算法

最简单的字符串匹配算法是朴素算法。该算法最直观，通过遍历文本T,对每一个可能的位移s都比较T[s+1..s+m]于P[1..m]是否匹配。

代码实现

代码用python写的：

 

def naive_string_match(T, P):
    n = len(T)
    m = len(P)

    for s in range(0, n-m+1):
        k = 0
        for i in range(0, m):
            if T[s+i] != P[i]:
                 break
            else:
                k += 1
        if k == m:
            print s

算法分析

最坏情况下，对每一个s都需要做m次（模式P的长度为m）的比较。则算法的上届是O((n-m+1)*m)。到后面我们会看到朴素算法之所以慢，是因为它只是关心有效的位移，而忽略其它无效的位移。当一次位移s被验证是无效的之后，它只是向右位移1位，然后从头开始继续下一次的比较。这样做完全没有利用到之前已经匹配的信息，而这些信息有时候会很有用。

2. Rabin-Karp算法

对朴素算法的一个简单的改进就是Rabin-Karp算法。Rabin-Karp算法的思路是将字符串的比较转换成数字的比较。比较两个长度为m的字符串是否相等需要O(m)的时间，而比较两个数字是否相等通常可以是Ɵ(1)。

为了将字符串映射到对应的数字，我们需要用到哈希函数。我们都知道开放寻址法的哈希函数(open addressing)是可能遇到冲突的。对于这个问题来说冲突意味着虽然两个字符串的哈希值是一样的，但是这两个字符串实际上是不一样的。

解决的办法是当遇到哈希值相同时，再做m次(模式P的长度为m)遍历，近一步判断这两个字符串是否相等。既是说，哈希值是第一步地判断，如果两个字符串不相等那么他们的哈希值也肯定不相等。通过第一步的筛选后，再做近一步更可靠的筛选。

运气好的话，大部分不匹配的字符串会在第一步(通过哈希值)被筛选掉，仅留有少量的字符串需要近一步的审查。

代码实现

继续附上Python代码：

 

'''
想最快的入门Python吗？请搜索："泉小朵"，来学习Python最快入门教程。
也可以加入我们的Python学习Q群：902936549,看看前辈们是如何学习的。
'''
def rabin_karp_matcher(T, P):
    n = len(T)
    m = len(P)
    h1 = hash(P)
    for s in range(0, n-m+1):
        h2 = hash(T[s:s+m])
        if h1 != h2:
            continue
        else:
            k = 0
            for i in range(0, m):
                if T[s+i] != P[i]:
                    break
                else:
                    k += 1