字符串匹配 - KMP

转自:http://blog.csdn.net/biaobiaoqi/article/details/8975536 有改动。

字符串匹配算法

字符串匹配(String Matchiing)也称字符串搜索(String Searching)是字符串算法中重要的一种,是指从一个大字符串或文本中找到模式串(搜索词)出现的位置。一个基本的字符串匹配算法分类如下:

  • 单模式匹配:每次算法执行只需匹配出一个模式串。
  • 有限集合的多模式匹配:算法需要同时找出多个模式串的匹配结果,而这个模式串集合是有限的。
  • 无限集合的多模式匹配:如正则表达式的匹配。

单模式匹配最容易理解,构造也非常简单。一个最朴素的思路就是从文本的第一个字符顺次比较模式串,不匹配则重新从下一个字符开始匹配,直到文本末尾。Java实现代码如下:

    public static boolean bruteforce(String str1, String str2) {
         for (int i = 0, j = 0; i!= str1.length(); ) {
               if (str1.charAt(i) == str2.charAt(j)) {
                    j ++;
                    i ++;
                    if (j == str2.length()) return true;
               }else {         
                    i = i - j + 1;
                    j = 0;                        
               }
          }
          return false;
     }

但是这种算法,有明显的效率黑洞。因为每次匹配失败后,都会回到原来的匹配起点的下一个字符开始匹配,这些步骤很多情况下,并不是必要的。

实际上这些字符很有可能已经被读入了一次。理论上,如果我们能对所有被读入过的字符有足够的了解,那就能判定是否能避免再次读入一遍做匹配运算了。经典的KMP算法正是基于这点思考,对原有的蛮力算法做出了优化。

 

KMP算法

网络上关于KMP算法的描述很多,其中个人觉得阮一峰老师的《字符串匹配的KMP算法》对KMP的描述最为简明和清晰。图例展示的算法流程更容易让人接受和理解。这里仅记录我所认为重点的知识点。

算法的思想

相比蛮力算法,KMP算法预先计算出了一个哈希表(next[]),用来指导在匹配过程中匹配失败后尝试下次匹配的起始位置,以此避免重复的读入和匹配过程。这个哈希表被叫做“部分匹配值表(**Particial match table**)”,它的设计是算法精妙之处。

部分匹配值表

要理解部分匹配值表,就得先了解字符串的前缀(prefix)和后缀(postfix)。

  • 前缀:除字符串最后一个字符以外的所有头部串的组合。
  • 后缀:除字符串第一个字符以外的所有尾部串的组合。
  • 部分匹配值:一个字符串的前缀和后缀中最长共有元素的长度。

举例说明:字符串 ABCAB

  • 前缀:{A, AB, ABC, ABCA}
  • 后缀:{BCAB, CAB, AB, B}
  • 部分匹配值:2 (AB)

而所谓的部分匹配值表,则为模式串的所有前缀以及其本身的部分匹配值。

还是针对字符串ABCAB,它的部分匹配值表为:

A B C A B 0 0 0 1 2

算法实现

– kmpNext():
1.初始化: i=1; j=0;  //记录当前轮的
         next[0]=0; //{a}的部分匹配值为0,即前缀和后缀中共有元素的长度

2.str[i]!=str[j] => next[i]=j; i++; //没有重复前缀

3.str[i]==str[j] => j++; next[i]=j; i++; //按序
i begin  !!!  i++
下标0123456
next0 (init)0001 (==j)   
strabcdabc
j0 begin1 (a==a)     j++
 
4.j>0 && str[i]!=str[j] => j=next[j-1]; next[i]=j; i++; //按序
i begin  .  i++
下标0123456
next0 (init)000120 (==j) 
strabcdabc
j0 now12    j=next[j-1]
 
5.注:【next[i]=j; i++;】 2,3,4步都用到了,可放在if判断条件外面。
 
代码
    public static int[] next;

    public static boolean kmp(String str, String dest) {
         for (int i = 0, j = 0; i < str.length(); i ++) {
               while (j > 0 && str.charAt(i) != dest.charAt(j))               
               //iterate to find out the right next position
                    j = next[j - 1];
               if (str.charAt(i) == dest.charAt(j))
                    j ++;
               if (j == dest.length())
                    return true;
          }
          return false;
     }

     public static int[] kmpNext(String str) {
          int[] next = new int[str.length()];
          next[0]  = 0;
          for (int i = 1, j = 0; i < str.length(); i ++) {               
               //j == 0 means the cursor points to nothing.
               //the j here stands for the number of same characters for postfix and prefix
               while (j > 0 && strt.charAt(j) != sr.charAt(i))
                    j = next[j - 1];   //watch out here! it's j - 1 here, instead of j
               if (str.charAt(i) == str.charAt(j))
                    j ++;
               next[i] = j;
          }
          return next;
     }

值得注意的是,kmp的循环代码和部分匹配值表生成的循环代码很类似。两者使用了相同的迭代方式找到匹配失败.后,新的可匹配情况。

 

注:上面的 next[] 其实是《最大长度表》,这里备注一下~

在求模式串abababca的next数组时,我们一般不认为下面的value是next值:

  1. char:  | a | b | a | b | a | b | c | a |  
  2. index: | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |   
  3. value: | 0 | 0 | 1 | 2 | 3 | 4 | 0 | 1 |  

真正的next 值是“计算某个字符对应的next值,就是看这个字符之前的字符串中有多大长度的相同前缀后缀”。
也就是说,求next值时,是不考虑当前字符的,而是看除去当前字符外,其之前的字符串中有多大长度的相同前缀后缀。

所以,next 数组相当于上面的value各值整体右移一位,然后初值赋为-1,即:

  1. char:  | a | b | a | b | a | b | c | a |  
  2. index: | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |   
  3. value: | 0 | 0 | 1 | 2 | 3 | 4 | 0 | 1 |  
  4. next : |-1 | 0 | 0 | 1 | 2 | 3 | 4 | 0 |   

我们一般公认next 的数组是将《最大长度表》 整体右移一位,初值赋为-1。

前者《最大长度表》考虑当前字符,得到的值是包括当前字符在内的字符串有多大长度的相同前缀后缀;后者next 数组是不包括当前字符,得到的值是当前字符之前的字符串有多大长度的相同前缀后缀。

从本质上 来说,这两种求法的匹配原理一致,只是匹配的具体形式不一样。

 

其他

KMP算法虽然能达到O(M+N)的算法复杂度,但在实际使用中,KMP算法的性能并不如BM算法强。

模板题

HDOJ的2203题是一个能检验算法正确性的模板题。

POJ的2406题,对考察点做了巧妙的变形,对更深入的理解KMP中的部分匹配表很有帮助。

 

    原文作者:claremz
    原文地址: https://www.cnblogs.com/claremore/p/4990702.html
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞