数据结构——KMP(串)

KMP一个非常经典的字符串模式匹配算法,虽然网上有很多kmp算法的博客,但是为了更好的理解kmp我还是自己写了一遍(这个kmp的字符串存储是基于堆的(heap),和老师说的定长存储略有不同,字符串索引从0开始)

  先来说说 KMP 的历史吧。

一、背景  

  KMP算法是一种改进的字符串匹配算法,由D.E.Knuth,J.H.Morris和V.R.Pratt提出的,因此人们称它为克努特—莫里斯—普拉特操作(简称KMP算法)。KMP算法的核心是利用匹配失败后的信息,尽量减少模式串与主串的匹配次数以达到快速匹配的目的。具体实现就是通过一个next()函数实现,函数本身包含了模式串的局部匹配信息。KMP算法的时间复杂度度O(m+n)。KMP也可以处理最重复长子串问题,最长子串问题……这里挂一道最简单的题leetcode的 实现 strStr(),大家看完可以去试一试。

补充说明:

  强调两个概念:真前缀 ,真后缀  

如图所示,所谓的真前缀,就是在指在除了自身之外的全部字符串的头部顺序组合;而"真后缀",就是指在除自身之外的一个字符串的全部尾串的顺序组合 。与后缀、前缀不同:

            真前/后缀不包含自身字符!!!

其实就类似于离散数学中集合里子集真子集的概念。

二、朴素字符串匹配算法

  其实就是我们最开始的时候写的字符串匹配,就是两个字符串逐一匹配。不作详细介绍,代码如下

/**
 * @brief  朴素字符串匹配
 * @note   
 * @param  MainString:  主串
 * @param  Pattern:     模式串
 * @retval 
 */
int SimpleStringMatch(char* MainString, char* Pattern)
{
    int i = 0;
    int j = 0;
    int PatternLen = strlen(Pattern);
    int MainStringLen = strlen(MainString);

    while (i < MainStringLen && j < PatternLen)
    {
        if (S[i] == Pattern[j])
        {
            i++;
            j++;
        }
        else
        {
            i = i - j + 1;
            j = 0;
        }
    }
    if (j == PatternLen)
    {
        return i - j;
    }
    return -1;
}

 

  很显然暴力匹配的时间复杂度为O(m*n)。m,n 分别取决于MainString和Pattern的长度,很显然这种时间复杂度还很高的。这个算法一旦匹配失败就主串索引 +1 ,模式串索引重置,当主串为 ABCDEABCDEF 模式串为 ABCDEF 。啊,完美体现了暴力匹配的缺点——逐一匹配(管你之前比没比过)。当你 A != F 时,我们人肯定会从第二个A处继续查找,让余下的部分和模式串继续进行匹配。如果计算机这样执行,那么算法的时间复杂度就从O(m*n)降到了O(m+n)从乘数级算法瞬间降到了无限接近常数级的算法,神优化啊(再次膜拜大神)。但是计算机不会啊,他只会勤勤恳恳的执行我们所写的代码,因此它就会从第一个B处开始比较,但是事实上从 B ~ E 的所有匹配都是无用功,为了解决这个问题 KMP应运而生。

三、KMP字符串模式匹配算法

  3.1 算法流程:

  (1)

第一步 主串"E……" 与 模式串 "ABCDABD" 的第一个字符进行比较。‘E!= ’A,模式串索引不变,主串索引+1

  (2)

E与A仍然不匹配,继续后移知道第一个匹配的位置

(3)

抵达第一处相同点

(4)

第二处相同点,继续

(5)

嗯!,不匹配了,怎么办呢。

(6)

第一反应肯定是把模式串整体后移一位然后重新一位位的比较,这样子是没有问题,但是这就不是kmp了,没有利用已完成的匹配信息。

 

(7)

当我们发现D和空格不匹配的时候,我们已经知道了前面6个字符为ABCDAB(主串)。KMP就是充分利用了这个信息。将模式串继续后移,没有将其移回比较过的位置。

 

(8)

计算机不比我们大脑,这种的事情对它来说已经很困难了,肯定要给它写个专门的算法了。KMP的索引的转跳依赖的是next[] 数组。如图,我们先用,先对KMP有一个完整的理解再来进行实现。理解才是关键。

i 0 1 2 3 4 5 6 7
模式串 A B C D A B D '\0'
next[i] -1 0 0 0 0 2 0

(9)

如图,D与空格不匹配,D之前的字符已经完成匹配,为已知信息。根据转跳数组可知,不匹配出D的next值为2,因此接下来从模式串所引为2的位置进行匹配。

(10)

同样的,C与空格不匹配,C处的next为0,所以下一个从索引为0的位置进行匹配。

(11)

A与空格比较不匹配,此处next值为-1,表示模式串的索引为1字符就不匹配,那么直接往后移一位。

(12)

一位位的比较直到完全匹配。

 其实KMP的比较算法和朴素匹配的方法是一样的,KMP之所以快是快在索引的转跳上。接着我们就来说一下next数组是u如何实现的。

  

  3.2 next数组实现:

next数组的求解基于 "真前缀" 和 "真后缀" ,即next[i]等于P[0]...P[i - 1]最长的相同真前后缀的长度。(忘记的赶紧上去看看,要不然会一直懵的)。

i 0 1 2 3 4 5 6 7
模式串 A B C D A B D '\0'
next[i] -1 0 0 0 0 2 0

 

  1. i = 0,对于模式串的首字符,我们统一为next[0] = -1;
  2. i = 1,前面的字符串为A,其最长相同真前后缀长度为0,即next[1] = 0;
  3. i = 2,前面的字符串为AB,其最长相同真前后缀长度为0,即next[2] = 0;
  4. i = 3,前面的字符串为ABC,其最长相同真前后缀长度为0,即next[3] = 0;
  5. i = 4,前面的字符串为ABCD,其最长相同真前后缀长度为0,即next[4] = 0;
  6. i = 5,前面的字符串为ABCDA,其最长相同真前后缀为字符A,即next[5] = 1;
  7. i = 6,前面的字符串为ABCDAB,其最长相同真前后缀为字符AB,即next[6] = 2;
  8. i = 7,前面的字符串为ABCDABD,其最长相同真前后缀长度为0,即next[7] = 0。

那么,这个数组是如何实现不匹配自动跳转的呢?

  举个栗子:前置字符串

    假如 i = 6 时不匹配,其前置字符串为 “ABCDAB”,仔细观察,首尾都有 “AB”,这意味着主串和模式串刚刚比较完 “AB”。那,当进行下一次比较的时候,我们就可以直接用 i = 2 时的字符C进行下一次匹配。因为刚刚模式串后方的“AB”刚比较完,所以没有必要再进行。i =  6 时候字符D的其最长相同真前后缀为字符恰好也为“AB”,长度恰好等于索引,刚好能转跳到C。

但是现在有一个问题,看表中 i = 5 时,匹配失败, next数组值为1,这不符KMP的理念啊。理论上,我们应该把 i = 2 处的字符拿过来匹配,如果拿 i = 1 处的字符那就会产生一次多余的比较。这个问题的遗留并不是算法问题,而是算法没有优化,KMP未优化的算法是用也是有特定作用的。两种算法应用场景不同,各有所长。(最后会说明优化算法的)。

下面是代码实现:

/**
 * @brief  next[]
 * @note   未优化KMP,j == -1 不可删除
 * @param  Pattern: 模式串
 * @param  next[]:  转跳数组
 * @retval None
 */
void GetNext(char* Pattern, int next[])
{
    int Pattern_len = strlen(Pattern);
    int i = 0; // Pattern 的下标
    int j = -1;
    next[0] = -1;

    while (i < Pattern_len - 1)
    {
        if (j == -1 || Pattern[i] == Pattern[j])
        {
            i++;
            j++;
            next[i] = j;//匹配就递推
        }
        else
        {
            j = next[j];//不匹配就转跳到上一个匹配的位置
        }       
    }
}

 

有没有看懂的,我觉得肯定有。有我也得分析一下这个算法干了什么。

其实,这个代码最难理解的就在于 if……else……

  先上张图(感谢大佬给我的图)

现在我假设 i 和 j 的位置如上,由前面代码中的 next[i] = j 得, i 的最长相同真前后缀分别是 [0, j-1] 和 [i-j, i-1],即这两段内容相同

 

走流程:

if (j == -1 || Pattern[i] == Pattern[j])
{
  i
++; j++; next[i] = j; } else {
  j
= next[j]; }

 

next[j] 表 [0,j - 1] 区间中最长相同真前后缀的长度。如图

左侧两个椭圆来表示这个最长相同真前后缀,即这两个椭圆代表的区段内容相同;同理,右侧也有相同的两个椭圆。所以else语句就是利用第一个椭圆和第四个椭圆内容相同来加快得到[0, i - 1]区段的相同真前后缀的长度。说到在透彻一些就是 j = next[j],这句语句减少了无用的比较。

有没有想过,为什么next的第一个值为-1呢?

  第一,

    程序刚运行时,j是被初始为-1,直接进行 Pattern[i] == Pattern[j] 判断无疑会边界溢出;

  第二,

    else语句中j = next[j],j 是不断后退的,若 j 在后退中被赋值为 -1(也就是 j = next[0]),在 Pattern[i] == Pattern[j] 判断也会边界溢出。

  综上,其意义就是为了特殊边界判断,而且 j 一开始被赋值为-1,比较方便给第二项赋值。

 

四、KMP样例实现

  最好自己实现一遍!!!

 1 #include <stdio.h>
 2 #include <stdlib.h>
 3 #include <string.h>
 4 
 5 int KMP(char* MainString, char* Pattern);
 6 void GetNext(char* Pattern, int next[]);
 7 
 8 int main()
 9 {
10     printf("%d\n",KMP("ljhgfdsa asdfghjkl\0", "dfghj\0"));
11 }
12 
13 int KMP(char* MainString, char* Pattern)
14 {
15     int next[22400] = {0};
16     GetNext(Pattern, next);
17 
18     int i = 0; 
19     int j = 0; 
20     int s_len = strlen(MainString);
21     int PatternLen = strlen(Pattern);
22 
23     while (i < s_len && j < PatternLen)
24     {
25         if (j == -1 || MainString[i] == Pattern[j])
26         {
27             i++;
28             j++;
29         }
30         else
31         {
32             j = next[j];
33         }
34     }
35 
36     if (j == PatternLen)
37     {
38         return i - j; 
39     }
40 
41     return -1;
42 }
43 
44 void GetNext(char* Pattern, int next[])
45 {
46     int PatternLen = strlen(Pattern);
47     int i = 0; 
48     int j = -1;
49     next[0] = -1;
50 
51     while (i < PatternLen - 1)
52     {
53         if (j == -1 || Pattern[i] == Pattern[j])
54         {
55             i++;
56             j++;
57             next[i] = j;
58         }
59         else
60         {
61            j = next[j]; 
62         } 
63     }
64 }
KMP

 

五、KMP优化

  还记得上面的那个问题吗?KMP不够完美的问题,其实只需要判断一下他们是不是相等的字符,然后进行处理即可。

  处理方式:获取前一个字符的最长字串。

自己先试试

void GetNextval(char *Pattern, int nextval[])
{
    int p_len = strlen(Pattern);
    int i = 0;
    int j = -1;
    nextval[0] = -1;

    while (i < p_len - 1)
    {
        if (j == -1 || Pattern[i] == Pattern[j])
        {
            i++;
            j++;

            //优化
            if (Pattern[i] != Pattern[j])
            {
                nextval[i] = j;
            }
            else
            {
                nextval[i] = nextval[j];    \\一样的时候最长字串来源于前一个
            }
        }
        else
        {
            j = nextval[j];
        }
    }
}
getnext优化

 

KMP算法(未优化版): next数组表示最长的相同真前后缀的长度,我们不仅可以利用next来解决模式串的匹配问题,也可以用来解决类似字符串重复问题等等,这类问题大家可以在各大OJ找到。

KMP算法(优化版): 根据代码很容易知道(名称也改为了nextval),优化后的next仅仅表示相同真前后缀的长度,但不一定是最长(称其为“最优相同真前后缀”更为恰当)。此时我们利用优化后的next可以在模式串匹配问题中以更快的速度得到我们的答案(相较于未优化版),但是上述所说的字符串重复问题,优化版本则束手无策。

posted @ 2019-09-26 20:05  秦_殇  阅读(520)  评论(0编辑  收藏  举报