WM算法详解及C语言实现代码解析参考.docVIP

WM(Wu-Manber)算法详解及C语言实现代码解析参考 WM算法采用字符块技术，增大了主串和模式串不匹配的可能性,从而增加了直接跳跃的机会。使用散列表选择模式串集合中的一个子集与当前文本进行完全匹配。使用前缀表进一步过滤不匹配的模式串，使算法获得了较高的运行效率。 WM算法首先对模式串集合进行预处理。预处理阶段将建立3个表格：SHIFT表，HASH表和PREFIX表。SHIFT表用于在扫描文本串的时候，根据读入字符串决定可以跳过的字符数，如果相应的跳跃值为0，则说明可能产生匹配。HASH表用来存储尾块字符散列值相同的模式串。PREFIX表用于存储尾块字符散列值相同的模式串的首块字符散列值。 假设模式串集合P中最短的模式长度为m，那么，后续仅考虑所有模式的前m个字符组成的模式串。 设X=x1…xB为T中的待比较的长度为B的子串，通过hash函数映像得到一个索引值index，以该索引值作为偏移得到SHIFT表中的值，该值决定读到当前子串x后可以跳过的位数。假设X映射到SHIFT表的入口为index的表项，即index=hash(x)。 SHIFT表中值的计算原则为： （1）???????X不出现在模式串中，则SHIFT[h]=m-B+1。 （2）???????X出现在某些模式串中，而且在所有的模式串中的最右出现位置为q，则SHIFT[h]=m-q。 算法匹配的大致原理： （1）???????X的hash值为h。如果SHIFT[h]=0，说明可能产生了匹配，那么需要进一步的判断。 （2）???????h值作为索引，查HASH表找到HASH[h]，它存储的是指标，指向两个单独的表：一个是模式链表，另一个是PREFIX表。模式链表中存放的是后B个字符的hash值同为h的所有模式。 （3）???????m的串，如果其长度为B的前缀与模式的前缀的hash值也相同，则再将相应的文本串与符合的模式逐一进行比较，最终判定是否完全匹配。 算法匹配的主要过程： 基于后缀的模式匹配，每次扫描B个字符T[m-B+1]…..T[m]。 （1）???????text的末B位T[m-B+1]…..T[m]通过hash function计算其哈希值h。 （2）???????SHIFT[h]0，text小指针后滑SHIFT[h]位，执行（1）；SHIFT[h]=0，执行那个（3）。 （3）???????m位text的前缀的哈希值，记为text_prefix。 （4）???????p（HASH[h]≦pHASH[h+1]），看是否PREFIX[p]=text_prefix。 （5）???????text匹配。 WM算法的代码参考： 下面给出对这份代码的详细注释以及流程图。 共包含wm.h文件和wm.c文件，首先给出的是对代码的详细注释： //文件wm.h: #ifndef WM_H #define WM_H #include stdio.h #include stdlib.h #include string.h #define HASHTABLESIZE (256*256) #define MAXLEN 256 typedef struct wm_pattern_struct//每个模式串的结构 { struct wm_pattern_struct *next;//指向下一个模式串 unsigned char *psPat; //pattern array//模式串数组 unsigned psLen; //length of pattern in bytes//模式串的长度 }WM_PATTERN_STRUCT; #define HASH_TYPE short #define SHIFTTABLESIZE (256*256) typedef struct wm_struct//模式串集的结构 { WM_PATTERN_STRUCT *plist; //pattern list模式子串列表 WM_PATTERN_STRUCT *msPatArray; //array of patterns模式子串数组（队列） unsigned short *msNumArray; //array of group counts, # of patterns in each hash group int msNumPatterns; //number of patterns loaded//模式子串的个数 unsigned msNumHashEntries;//HASH表的大小 HASH_TYPE *msHash; //last 2 characters pattern hash table//HASH表 unsigned char* msShift; //