Python字符串查找算法之BMHBNFS算法

最近面试阿里,第一个算法题就是字符串匹配算法,当时一脸懵逼,连朴素字符串匹配算法都不知道,面试官还问我有没有深入了解Python语言的字符串怎么查找的,顿时戳中痛点,想想自己学Python真的还是太浅了。于是就去把字符串匹配算法全学了一遍,有brute-force算法、Rabin-Karp算法、有限自动机算法、KMP算法、Boyer-Moore算法、Horspool算法还有Sunday算法等等。然后再去看了一下Python的字符串查找算法,链接地址为

https://github.com/python/cpython/blob/master/Objects/stringlib/fastsearch.h

该算法广泛用于find、index、 split、replace、 __contains__(in关键字的实现函数)等函数中

在看下面之前,我假设读者知道什么是Horspool和Sunday算法了,我把这两个算法的Python实现贴出来,非常简单

#coding=utf-8
'''Horspool字符串匹配算法
   预处理时间复杂度时间为O(m),最快时间复杂度为O(n/m)
   匹配时间快于Boyer-Moore算法
'''

def horspool_search(T, P):
    n, m = len(T), len(P)
    shift = [m for i in range(256)]
    for i in range(m-1):
        shift[ord(P[i])] = m - i - 1
    # 跟朴素算法的区别就在于步长
    i = 0
    while i < n-m+1:
        for j in range(m):
            if T[j+i] != P[j]:
                break
        else:
            return i

        i += shift[ord(T[i+m-1])]
    return -1

#coding=utf-8
'''SUNDAY字符串匹配算法
   预处理时间复杂度时间为O(m),最快时间复杂度为O(n/m)
   匹配时间快于Boyer-Moore算法
'''

def sunday_search(T, P):
    n, m = len(T), len(P)
    shift = [m+1 for i in range(256)]
    for i in range(m):
        shift[ord(P[i])] = m - i
    # 跟朴素算法的区别就在于步长
    i = 0
    while i < n-m+1:
        for j in range(m):
            if T[j+i] != P[j]:
                break
        else:
            return i
        if i+m < n:
            i += shift[ord(T[i+m])]
        else:
            return -1

再来看Python的快速匹配算法,上面链接里的代码太多,因为考虑了多种情况,我们只看FASTSEARCH部分,抽取出来

#define STRINGLIB_BLOOM_WIDTH 32

/* 用于记录数组中存在的元素 */
#define STRINGLIB_BLOOM_ADD(mask, ch)                                          \
  ((mask |= (1UL << ((ch) & (STRINGLIB_BLOOM_WIDTH - 1)))))
/* 判断字符是否在数组中 */
#define STRINGLIB_BLOOM(mask, ch)                                              \
  ((mask & (1UL << ((ch) & (STRINGLIB_BLOOM_WIDTH - 1)))))

int fast_search(char *s, char *p) {
  int n = strlen(s);
  int m = strlen(p);
  int w = n - m;

  int mlast = m - 1;
  int skip = mlast - 1;
  int mask = 0;

  int i, j;
  const char *ss = s + m - 1;
  const char *pp = p + m - 1;

  /* create compressed boyer-moore delta 1 table */

  /* process pattern[:-1] */
  for (i = 0; i < mlast; i++) {
    STRINGLIB_BLOOM_ADD(mask, p[i]);
    if (p[i] == p[mlast])
      skip = mlast - i - 1;
  }
  /* process pattern[-1] outside the loop */
  STRINGLIB_BLOOM_ADD(mask, p[mlast]);

  for (i = 0; i <= w; i++) {
    /* note: using mlast in the skip path slows things down on x86 */
    if (ss[i] == pp[0]) {
      /* candidate match */
      /* 因为已经判断字符串和模式串的最后一位相等 */
      for (j = 0; j < mlast; j++)
        if (s[i + j] != p[j])
          break;
      if (j == mlast) {
        /* got a match! */
        return i;
      }
      /* miss: check if next character is part of pattern */
      if (!STRINGLIB_BLOOM(mask, ss[i + 1]))
        i = i + m;
      else
        i = i + skip;
    } else {
      /* skip: check if next character is part of pattern */
      if (!STRINGLIB_BLOOM(mask, ss[i + 1]))
        i = i + m;
    }
  }
  return -1;
}

这个快速匹配算法被称为BMHBNFS算法,之所以取这个名字,是因为它是Boyer-Moore, Horspool, Sunday, Bloom Filter几种算法的集大成者,我第一次看到这算法时感觉牛逼到爆,本来Horspool和Sunday已经算字符串匹配算法中的佼佼者了(最快时间复杂度为O(n/m)),居然还有这么一种算法。


BMHBNFS算法的原理可以用简单的代码来演示

def find(s, p):
    # find first occurrence of p in s
    n = len(s)
    m = len(p)
    # skip是把离p[m-1]最近且字符相同的字符移到m-1位需要跳过的步数-1
    skip = delta1(p)[p[m-1]]
    i = 0
    while i <= n-m:
        if s[i+m-1] == p[m-1]: # (boyer-moore)
            # potential match
            if s[i:i+m-1] == p[:m-1]:
                return i
            if s[i+m] not in p:
                i = i + m + 1 # (sunday)
            else:
                i = i + skip # (horspool)
        else:
            # skip
            if s[i+m] not in p:
                i = i + m + 1 # (sunday)
            else:
                i = i + 1
    return -1 # not found

作者当时在设计这个算法时考虑了如下几点限制条件:

  1. 在任何测试用例下都要比brute-force算法快
  2. 低预处理开销、不需要动态分配数组,也就是预处理时间复杂度为O(m)、空间复杂度为O(1)
  3. 在较好的情况下,线性搜索时间复杂度为O(n/m)
  4. 在最差的情况下也不会比现有算法的时间复杂度(O(nm))高
  5. 在8bits、16bits字符串或者32bits Unicode字符串中表现良好
  6. 在现实生活中的搜索中能够表现良好,很少出现最差情况
  7. 实现简单

有这么多限制,可想而知多牛逼,该算法的巧妙之处在于使用Bloom filter数据结构使得算法不再依赖字母表的大小,
空间复杂度降为O(1),当然这样会导致处理起来比Horspool和Sunday算法复杂一点


参考资料:http://effbot.org/zone/stringlib.htm

点赞