一种可做特殊用途的字符串匹配算法.doc

一种可做特殊用途的字符串匹配算法 纪福全 朱战立 (西安石油大学计算机学院，西安 710065) ??? 摘 要? 现有的字符串匹配算法按照模式串从左至右或从右至左的顺序匹配，都是直接进行比较，本文提出了一种可做特殊用途的字符串匹配算法——ZZL算法。对于频繁使用的要匹配的主串和模式串来说，ZZL算法的匹配速度会非常快。 ??? 关键词? 字符串，模式匹配，算法 ? ??? 字符串匹配就是在一个字符串中查找模式串的一个或所有出现。字符串匹配用途很广泛。例如，在拼写检查、语言翻译、数据压缩、搜索引擎、网络入侵检测、计算机病毒特征码匹配以及DNA序列匹配等应用中，都需要进行字符串匹配。已经提出了许多字符串匹配算法。传统的有BF算法[2,3]、KMP算法[2,3]等，最近提出的有BM算法[2,4]、Sunday算法[2,3]等。本文提出一种可做特殊用途的字符串匹配算法——ZZL算法。 1 相关算法分析 ??? 字符串模式匹配的含义是：在主串S中，从位置start开始查找是否存在模式串（也称作模式串）T，如在主串S中查找到一个与模式串T相同的模式串，则模式串与主串匹配；如在主串S中未查找到一个与模式串T相同的模式串，则不匹配 [1] 。 首先作如下假设： ????主串S：S[1…N]，长度为N；模式串T：T[1…M]，长度为M；N≥M； 1.1 BF算法 ?????BF（Brute Force）算法核心思想是：首先S[1]和T[1]比较，若相等，则再比较S[2]和T[2]，一直到T[M]为止；若S[1]和P[1]不等，则T向右移动一个字符的位置，再依次进行比较。如果存在k，1≤k≤N，且S[k+1…k+M]=T[1…M]，则匹配成功；否则失败。该算法最坏情况下要进行M*(N-M+1)次比较，时间复杂度为O(M*N)。 1.2 KMP算法 ??? KMP（Knuth-Morris-Pratt）算法核心思想是：在发生失配时，主串不需要回溯，而是利用已经得到的“部分匹配”结果将模式串右移尽可能远的距离，继续进行比较。这里要强调的是，模式串不一定向右移动一个字符的位置，右移也不一定必须从模式串起点处重新试匹配，即模式串一次可以右移多个字符的位置，右移后可以从模式串起点后的某处开始试匹配。 ????假设发生失配时，S[i]≠T[j]，1≤i≤N，1≤j≤M。则下一轮比较时，S[i]应与T[next[j]]对齐往后比较： 如T=“abaabcac”，则 1.3 BM算法 ??? 对于给出的长度为m的模式串T=T?···Tm和主串S=S?···Sn，实现BM算法需要一个辅助数组bm[ ]。它用字符值作为数组的下标，数组的大小依赖于可能出现的字符多少，与模式串的大小无关。对于需要进行中文关键字的匹配，需要扩充ASCII字符集，数组大小则为256。对于任意x属于集合Σ→{1，2，···，256}，bm[x]的值为： ??? 该数组每个字符对应的项记录着该字符在模式串中最后一次出现的位置。 BM算法思想是：假如在执行主串位置i起“返前”的一段与模式串T从右向左的字符匹配中，如果模式串T全部字符匹配，则匹配成功；否则需要右移，开始新的一轮匹配，假设匹配不成功发生在模式串中的位置j，由主串匹配不成功字符Si-m+j查找辅助数组得到该字符在模式串T中的最后出现的位置值bm[Si-m+j]。如果bm[Si-m+j]等于零，表示字符Si-m+j不在模式串T中，则模式串跳过该字符，在该字符下一个位置对齐；如果bm[Si-m+j]大于j，表示这个字符在模式串中最后出现的位置在j的左边，则模式串T右移对齐字符Si-m+j；如果bm[Si-m+j]小于j，表示这个字符在模式串中最后出现的位置在j的右边，模式串不能左移，就右移一格。移动量为shift=max(1，m-bm[i-m+j])。 1.4 Sunday算法 ??? Sunday算法是Daniel M.Sunday于1990年提出的一种比BM算法搜索速度更快的算法。其核心思想是：在匹配过程中，模式串并不被要求一定要按从左向右进行比较还是从右向左进行比较，它在发现不匹配时，算法能跳过尽可能多的字符以进行下一步的匹配，从而提高了匹配效率。 ??? 假设在发生不匹配时S[i]≠T[j]，1≤i≤N，1≤j≤M。此时已经匹配的部分为u，并假设字符串u的长度为L。如图1。明显的，S[L+i+1]肯定要参加下一轮的匹配，并且T[M]至少要移动到这个位置(即模式串T至少向右移动一个字符的位置)。 图1? Sunday算法不匹配的情况 ????分如下两种情况： ??? (1) S[L+i+1]在模式串T中没有出现。这个时候模式串T[0]移动到S[T+i+1]之后的字符的位置。如图2。 图2? Sunday算法移动的第1种情况 ???