BM算法详解及Java实现.docVIP

BM算法详解及Java实现 1977年，德克萨斯大学的Robert S. Boyer教授和J Strother Moore教授发明了一种新的字符串匹配算法：Boyer-Moore算法，简称BM算法。该算法从模式串的尾部开始匹配，且拥有在最坏情况下O(N)的时间复杂度。在实践中，比KMP算法的实际效能高。 后缀匹配，是指模式串的比较从右到左，模式串的移动也是从左到右的匹配过程，经典的BM算法其实是对后缀暴力匹配算法的改进。所以还是先从最简单的后缀暴力匹配算法开始。下面直接给出伪代码，注意这一行代码：j++；BM算法所做的唯一的事情就是改进了这行代码，即模式串不是每次移动一步，而是根据已经匹配的后缀信息，从而移动更多的距离。 /** * 后缀暴力匹配 * * @param T 正文字符数组 * @param P 模式字符数组 * @return 匹配位置 */ public static int bf(char[] T, char[] P) { for (int j = 0; j = T.length - P.length; j++) { int i = P.length - 1; for (; i = 0 P[i] == T[i + j]; --i) { } if (i 0) { return j; } } return -1; } BM算法介绍 为了实现更快移动模式串，BM算法定义了两个规则，好后缀规则和坏字符规则，如下图可以清晰的看出他们的含义。利用好后缀和坏字符可以大大加快模式串的移动距离，不是简单的++j，而是j+=max (shift(好后缀), shift(坏字符))。 下面举例说明BM算法。例如，给定文本串“HERE IS A SIMPLE EXAMPLE”，和模式串“EXAMPLE”，现要查找模式串是否在文本串中，如果存在，返回模式串在文本串中的位置。 首先，文本串与模式串头部对齐，从尾部开始比较。S与E不匹配。这时，S就被称为坏字符（bad character），即不匹配的字符，它对应着模式串的第6位。且S不包含在模式串EXAMPLE之中（相当于最右出现位置是-1），这意味着可以把模式串后移6-(-1)=7位，从而直接移到S的后一位。 依然从尾部开始比较，发现P与E不匹配，所以P是坏字符。但是，P包含在模式串EXAMPLE之中。因为“P”这个“坏字符”对应着模式串的第6位（从0开始编号），且在模式串中的最右出现位置为4，所以，将模式串后移6-4=2位，两个P对齐。 ?依次比较，得到 “MPLE”匹配，称为好后缀（good suffix），即所有尾部匹配的字符串。注意，MPLE、PLE、LE、E都是好后缀。 ? 发现“I”与“A”不匹配：“I”是坏字符。如果是根据坏字符规则，此时模式串应该后移2-(-1)=3位。 继续从尾部开始比较，“”与“E”不匹配，因此“”是“字符”，根据“字符规则”，后移 6 - = 5位。 ? 依次从尾部开始比较， 由上可知，BM算法不仅效率高，而且构思巧妙，容易理解。 先来看如何根据坏字符来移动模式串，shift(坏字符)分为两种情况： 坏字符没出现在模式串中，这时可以把模式串移动到坏字符的下一个字符，继续比较，如下图： 坏字符出现在模式串中，这时可以把模式串第一个出现的坏字符和母串的坏字符对齐，当然，这样可能造成模式串倒退移动，如下图： 此处配的图是不准确的，因为显然加粗的那个b并不是”最靠右的”b。而且也与下面给出的代码冲突！我看了论文，论文的意思是最右边的。当然了，尽管一时大意图配错了，论述还是没有问题的，我们可以把图改正一下，把圈圈中的b改为字母f就好了。接下来的图就不再更改了，大家心里有数就好。 为了用代码来描述上述的两种情况，设计一个数组bmBc[k]，表示坏字符‘k’在模式串中出现的位置距离模式串末尾的最大长度，那么当遇到坏字符的时候，模式串可以移动距离为： shift(坏字符) = bmBc[T[i]]-（m-1-i)。如下图： ?数组bmBc的创建非常简单，直接贴出代码如下： /** * 坏字符忽略映射 * * @param T 模式字符数组 * @return 坏字符忽略映射 */ public static int[] bmBc(char[] T) { // 初始忽略数组 int[] bmBc = new int[65536]; // 填充坏字符序号 Arrays.fill(bmBc, -1); // 填充好字符序号(以最后位置为准) int m = T.length; for (int i = 0; i m; i++) { bmBc[T[i]] = m - 1 - i; }