子串的定位操作通常称为串的模式匹配,它是各种串处理系统中最重要的操作之一,例如很多软件,若有“编辑”菜单项的话,则其中必有“查找”子菜单项。子串定位算法即称为模式匹配算法。
朴素的模式匹配算法
我上一篇文章写的堆存储的串就是用的朴素的模式匹配算法。这种算法很简单,就是子串和主串进行对应位置的匹配,如果发生失配,那么主串和子串都进行回溯,主串回溯到开始匹配位置数目加一,子串回溯到零。
代码如下:
这个看看就能理解了。
KMP算法
这个“看毛片”算法真难弄,我先前看了好几篇博客还是有点懵。有些人写得太复杂了,推理过程一大堆,我顺着过程反而越绕越深,本来看东西就不细致的我更加不想看了。弄了几天,我不敢说全部,大部分是懂了。下面我就以我最简单明了的方法来说说我的理解,如果有错误,还请大家能指出来,共同进步嘛。
KMP算法最难理解的其实是next数组的计算方法,核心也是他,弄懂了next数组,KMP就基本没什么问题了。我看到其它博客都是从介绍KMP的用法开始,再介绍next数组的原理。我也按照这个思路来写吧,你们看到也好
理解。
KMP算法是由K什么,P什么,M什么三个人发明的一种对朴素的模式匹配算法的改进算法,它的特点是主串无需回溯。它只需要模式串按照next数组存储的数字移动,用模式串相应位置的字符和主串进行比较就可以了。举个书上的例子把:
主串:acabaabaabcacaabc
模式串:abaabc
next数组:(这里存储的是模式串失配时,下一匹配字符的位置)
上面的next数组我会在下面详细介绍怎么来的,你也可以自己去推。现在只需要知道有这么个东西,怎么在KMP算法里面用它就可以了。下面我会贴出代码,你可以推理过程,代码一起看,这样容易理解。
这里需要注意,nextNum[]就是next数组,因为命名冲突,所以没有直接起。字符数组是从0开始的,而nextNum[ ]是从1开始的,nextNum[0]并没有使用。
知道怎么用了,我们再讲讲原理。模式串字符的排列我们是已知的,但是如何去利用它呢?在这种具有重复字符的模式串里面,我们总能找到相同的部分。比如上图第三趟匹配到第四趟匹配过程中,他们的相同部分是a b。
有相同部分再进行匹配是不是比失配就回溯节约时间。现在关键来了,我们都是利用模式串预先计算出来的next数组来实现的,那我们怎么来计算next数组里面的值呢?
我先贴出代码:
很显然,当模式串第一个字符都失配,我不能让模式串去移动下一位,那只能主串匹配位置自增一,继续匹配。
当模式串第二个字符失配时,那只能看第一个字符能否匹配,如果可以,继续匹配后继字符;不能,那主串匹配位置自增一。
核心就是从next数组的第三位值开始,值得大小取决于之前的字符从首尾开始组成最大的相同子串的长度,如果找到,那么next值是该长度加1,否则next值是1。
例如 : 模式串 a b a a b c
nextNum[] 0 1 1 2 2 3
1)第二个字符失配也可以这么理解,字符组合:{0 | a} 最大相同子串为空,nextNum[2]=0+1;
2)第三个字符, 字符组合 {0,a| b,0}. 最大相同子串为空,nextNum[3]=0+1;
3)第四个字符,字符组合 {0,a,ab | ba,a,0}. 最大相同子串为a,长度为1,nextNum[4]=1+1;
5)第五个字符,字符组合 {0,a,ab,aba | baa,aa,a,0}. 最大相同子串为a,长度为1,nextNum[5]=1+1;
6)第六个字符,字符组合{0,a,ab,aba,abaa|baab,aab,ab,a,0}最大相同子串为ab,长度为2,nextNum[6]=2+1;
花括号前半部分是除尾字符的所有子串字符组合,后半部分是除首字符的所有子串组合。
KMP完整代码: