字符串匹配那些事.docxVIP

字符串匹配那些事(一) 来源：搜索技术博客—淘宝 发布时间：2011-09-25 16:47 阅读：2146 次 推荐：0 原文链接 ［收藏］ /page/107856/ 摘要：本系列文章主要介绍几种常用的字符串比较算法，包括但不限于蛮力匹配算法， KMP算法, BM算法，Horspool 算法，Sunday 算法，fastsearch 算法，KR算法等等。 本文主要介绍KMP算法和BM算法，它们分别是前缀匹配和后缀匹配的经典算法。所谓前缀 匹配是指：模式串和母串的比较从左到右，模式串的移动也是从左到右；所谓后缀匹配是指：模式 串和母串的的比较从右到左，模式串的移动从左到右。看得出来前缀匹配和后缀匹配的区别就仅仅 在于比较的顺序不同。下文分别从最简单的前缀蛮力匹配算法和后缀蛮力匹配算法入手，详细的介 绍KMP算法和BM算法以及它们的实现。 KMP算法 首先来看一下前缀蛮力匹配算法的代码 (以下代码从linux源码string.h 中抠出)，模式串和 母串的比较是从左到右进行(strncmp())，如果找不到和模式串相同的子串，则从左到右移动模 式串，距离为1 ( s++ )。 har * strstr(register const char *s, register constchar *wanted) { register const size_t len = strlen(wanted); if (len == 0) return ( char *)s; while (*s !=* wanted || strncmp(s, wanted, len)) if (*s++== \0) return ( char *)NULL; return ( char *)s; } KMP算法中的KMP分别是指三个人名： Knuth、Morris、Pratt，其本质也是前缀匹配算法， 对比前缀蛮力匹配算法，区别在于它会动态调整每次模式串的移动距离，而不仅仅是加一，从而加 快匹配过程。下图通过一个直观的例子展示前缀蛮力匹配算法和 KMP算法的区别，前文提过，这 二者唯一的不同在于模式串移动距离。 文本爭T a b a b a b a a E a b j 橙式串P a b a b a c b a b 3 b 3 c b 前題力匚配算,一昌移动 k a b a t a c b KMP算? 禺移动 1，而 1，而KMP算法根据已经比较过 的前缀信息，了解到应该移动距离为 2 ;换句话说针对母串的下一个匹配字符， KMP算法了解它下 回应该匹配模式串的哪个位置，比如上图中，针对母串的第 i+1个字符，KMP算法了解它应该匹 配模式串的第k+1个字符。为什么会是这样，这是因为母串的子串 T[i-k, i]=aba ，而模式串的子 串P[O,k]=aba ，这二者正好相等。所以模式串应该移动到这个位置，从而让母串的第 i+1个字符 和模式串的第k+1个字符继续比较。 那k值又是如何寻找？请注意上图中， 模式串位置j已经匹配上母串的位置 i,也就是T[i-k, i] =P[j-k, j]=aba ；根据前文的 T[i-k, i] = P[0, k] = aba ，从而得出 P[0, k] = P[j-k, j] = aba . 通过观察发现，就是在模式的子串 [0, j]中寻找一个最长前缀[0,k]，从而使得[j-k, j] = [0,k] ； 于是可以定义一个jump数组，jump[j]=k ，表示满足P[0, k] ==P[j-k, j] 的最大k值， 或者表述为：如果模式串j+1匹配不上母串的i+1,那跳转到模式串k+1继续比较。有了这个jump 数组，就很容易写出 kmp算法的伪代码： j：= 0; for i:= 1 to n do Begin while (j 0) and (P[j+ 1 ]T[i]) do j:=jump[j];[ if P[j+ 1]=T[i] then j:=j+ 1; if j=m then Begin writeln( Pattern occurs with shift ,i-m); end; end; KMP算法中jump数组的构建可以通过归纳法来解决，首先确定 jump[1]=0 ;假设 jump[j]=k ，也就是 P[0, k] == P[j-k, k] ，如果 P[j+1] == P[k+1] ，那么得出[0,k+1] = P[j-k, TOC \o 1-5 \h \z j+1]，从而更加定义得出 jump[j+1] = k+1 ； 如果 P[j+1] != P[k+1] ，那就接着比较 P[j+1] ?= P[k1+1] ，其中(jump[k] = k1 )，根据 (jump[k]=k1 )的定