精确字符串匹配（BM算法） [转]

上一篇文章介绍了精确字符串匹配的 Zbox 算法，这是一种线性时间复杂度的算法。在这篇文章里，将简要介绍精确字符串匹配的 Boyer-Moore（BM） 算法，这种算法的时间复杂度低于线性，所以是现在用的最多的一种方法。

   所谓精确字符串匹配问题，是在文本 T 中找到所有与查询 P 精确匹配的子串。而 BM 算法可以非常有效地解决这个问题，让时间复杂度降到低于线形的水平。

   BM 算法主要用了三种巧妙而有效的方法，即从右到左扫描，坏字符规则和好后缀规则。

   从右到左扫描的意思是从最后一个字符开始向前匹配，而不是习惯上的从开头向后匹配。

   坏字符规则是，从右到左的扫描过程中，发现 Ti 与 Pj 不同，如果P 中存在一个字符 Pk 与 Ti 相同，且 k<i 那么就将直接将 P 向右移使 Pk 与 Ti 对齐，然后再从右到左进行匹配。如果 P 中不存在任何与 Ti 相同的字符，则直接将 P 的第一个字符与 Ti 的下一个字符对齐，再从右到左进行比较。

   如图：

   T：     a b c b a d f t a t e

   P：     c b a x a d

   P：         c b a x a d

  

   用 R(x) 表示字符 x 在 P 中出现的最右位置，此例中 R(b)=2。

   可以看出使用从右到左扫描和坏字符规则可以跳过 T 中的很多位置不去检查，从而使时间复杂度低于线性。

   好后缀规则是，从右到左的扫描过程中，发现 Ti 与 Pj 不同，检查一下相同的部分 t 是否在 P 中的其他位置 t' 出现，a) 如果 t 与 t' 的前一个字母不相同，就将 P 向右移，使 t' 与 T 中的 t 对齐。b) 如果 t' 没有出现，则找到与 t 的后缀相同的 P 的最长前缀 x，向右移动P ，使 x 与 T 中 t 的后缀相对应。

   如图a)：

   N：                      1                    

   N：    1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8     

   T：    a b c b a d f t b c f a q v t b c e...

   P：    c b c a b c e a b c

   P：                  c b c a b c e a b c f

  

   可见，并不是将 P 向右移让 P5 与 T9 对齐，而是让 P2 与 T9 对齐，因为 P1 与 P8 不相同。用 L(i) 表示 t' 的最大位置，此例中， L(9)= 3。

   如图b)：

   N：                      1                    

   N：   

1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8     

   T：    a b c b a d f t b c f a q v t b c e...

   P：    b c c a b c e t b c

   P：                    b c c a b c e t b c 

                   

  

   可见，当 P 向左找不到 “tbc”时，就找到 “tbc”的最长与 P 的前缀匹配的后缀，并将 P 向右移。用 l(i) 表示这个最长后缀的长度，这个例子中 i=8。

 

   整个算法是这样的：

[预处理]

   输入查询字符串 P，

   计算 P 中每个位置的 L(i) 和 l(i)，并计算 R(i)。

[查询]

   k:=n; // n 是 T 中字符的总数

   while k<=m do

     begin

     i :=n; // i 表示 P 中字符的位置

     h :=k; // h 表示 T 中字符的位置

     while i>0 and P(i)=T(i) do

        begin

          i:=i-1;

          h:=h-1;

       end;

     if i=0 then

       begin

         输出 T 的这个位置上的字符串；

         k:= k+n-l(2);

       end

     else

        移动 P(增加 k)，k 取 好后缀规则和坏字符规则决定的最大值

     end;

 

  

 

  

     预处理阶段可以根据上一篇文章提到的 Zbox 方法进行处理，时间复杂度为线性。

 

     整个算法的时间复杂度最坏的情况是 O(m)，m 是 T 的长度。

 

BM 算法中“好后缀”预处理

其实上次在写 BM 算法的原理时，应该把如何实现“好后缀”的预处理一起写上，只是因为急着出去，没有写清楚，只是一带而过，现在把预处理们仔细写一下，希望和对字符串处理技术感兴趣的朋友们探讨。当然，对于 BM 算法还有许多需要思考的，比如证明它的时间复杂度最坏是 O(m)等等问题，并不是一句话就能说明白的。

 

     在上一篇文章中（精确字符串匹配（BM算法））提到了 L(i)，它是用来存储 t' 最靠右位置 j 的，假设用 t 表示 P[i..n], t' 就是在 P 中重复出现 t 的一段。而 P 也需要向右移，使 L(i) 与 T 中的字符对应。

   如图：

       _____t'     _____t'  _____t

        |   |      |   |    |   |

     a a b c d a q f b c d e e b c d

                      |     |

                     L(i)   i

    

    那么如何在 O(n) 时间计算出 L(i) 呢？

   在这里需要用到一个值 N(j),N(j)是 Zbox (精确字符串匹配（Zbox算法）)的相反概念，且 N(j)= Z(n-j+1)。

   如图：

                 j

   Z(j)  a c d b a c d e f

                 |___|

                 Z(j)

 

                 j

   N(j)  a f e m o c e m o  

             |___|

             N(j)    

               

   可见，Z(j) 与 N(j) 一个是和前缀相同的 Zbox 长度，一个是和后缀相同的 Nbox 长度。显然可以根据求 Zbox 的方法求出 Nbox,而求 Zbox 的方法非常简单，而且是 O(n) 的，在Zbox 那篇文章中有详细说明。

   求出了所有的 N(j) 之后，就可以利用它求 L(i) 了。

   算法描述是：

for i:=1 to n do L(i):=0

for j:=1 to n-1 do

    begin

    i := n-N(j)+1;

    L(i) := j;

    end;

 

   以上是预处理中 L(i) 的计算方法。下面写一下预处理中对 l(i)的计算方法。

   l(i) 表示的是最长的 P[i..n] 的后缀的长度，同时这个后缀还要是 P的前缀，如果不存在，l(i) 就是0。

   如图：

 

     a a c c d e f f a a c

             i

   图中 l(i)=3。

   结合 N(j),可以看出 l(i)=j,使 N(j)=j的最大j值，且j<=|P[i..n]|。