Sunday算法（字符串查找、匹配）

 

　　字符串查找算法中，最著名的两个是KMP算法（Knuth-Morris-Pratt)和BM算法（Boyer-Moore)。两个算法在最坏情况下均具有线性的查找时间。但是在实用上，KMP算法并不比最简单的c库函数strstr()快多少，而BM算法则往往比KMP算法快上3－5倍。但是BM算法还不是最快的算法，这里介绍一种比BM算法更快一些的查找算法。
　　例如我们要在"substring searching algorithm"查找"search"，刚开始时，把子串与文本左边对齐，

substring searching algorithm
search
^

　　结果在第二个字符处发现不匹配，于是要把子串往后移动。但是该移动多少呢？这就是各种算法各显神通的地方了，最简单的做法是移动一个字符位置；KMP是利用已经匹配部分的信息来移动；BM算法是做反向比较，并根据已经匹配的部分来确定移动量。这里要介绍的方法是看紧跟在当前子串之后的那个字符（上图中的'i')。

　　显然，不管移动多少，这个字符是肯定要参加下一步的比较的，也就是说，如果下一步匹配到了，这个字符必须在子串内。所以，可以移动子串，使子串中的最右边的这个字符与它对齐。现在子串'search'中并不存在'i'，则说明可以直接跳过一大片，从'i'之后的那个字符（即‘n’）开始作下一步的比较，如下图：

substring searching algorithm
           search
         ^

　　比较的结果，第一个字符就不匹配，再看子串后面的那个字符，是'r',它在子串中出现在倒数第三位，于是把子串向前移动三位，使两个'r'对齐，如下：

substring searching algorithm
              search

　　哈！这次匹配成功了！回顾整个过程，我们只移动了两次子串就找到了匹配位置，是不是很神啊?!可以证明，用这个算法，每一步的移动量都比BM算法要大，所以肯定比BM算法更快。

下面是这个算法的c代码。注意我假设了每个字符的值都介于0-127之间（即纯ascii码）。

 

#ifndef SUNDAY_H
#define SUNDAY_H

/********************************************************
Sunday算法：
    假设源字符串为src，匹配串为pattern。
    如果src的某字符不匹配：
    （1）该字符在pattern中，且在pattern中最右边的位置为n。那么
    下次匹配直接移动pattern使得n的位置和该字符的位置对应的地方。
    （2）该字符不在pattern中，显然没有比较的意义，则直接跳过去，
    将pattern的头部移到与该字符下一个字符对应的位置。
*********************************************************/

#include <string.h>
#include <stdio.h>

// 假设出现的字符都是0~127范围内的，即都是ascii字符
char *sunday(const char *src, char *pattern) {
    if (NULL == src)
        return NULL;
    if (NULL == pattern)
        return (char *)src;

    int len1, len2, shift[128];

    len1 = strlen(src);
    len2 = strlen(pattern);

    // construct shitf table
    for (int i = 0; i < 128; i++)
        shift[i] = len2 + 1;  // 默认是移动len2+1，即直接跳过
            
    // adjust shift table
    const char *p;
    for (p = pattern; *p; p++)
        shift[*p] = len2 - (p - pattern); // p-pattern为字符相对于第一个元素的偏移量，len2-(p-pattern)则表示从右往左数的偏移量，即要移动的步数

    const char *s, *pSrc = src;
    // start search
    while (pSrc + len2 <= src + len1) { // 如果pSrc + len2不越界(若越界，则说明src剩余未匹配的字符数量小于pattern的长度，则肯定不会匹配成功)
        for (p = pattern, s = pSrc; *p; ++p, ++s) 
            if (*p != *s) // mistach
                break;// break内循环            
        
        if ('\0' == *p)  // found it!
            return (char *)pSrc;

        pSrc += shift[pSrc[len2]]; // pSrc[len2]取出下一个需要匹配的字符，shift[pSrc[len2]]取出该字符需要让指针移动多少步
    }

    return NULL;
}

#endif

 

 

 

 下面是main：

#include "Sunday.h"

int main() {
    char *src = "123456789", *patt = "234";
    char *ret = sunday(src, patt);

    printf("%s\n", ret);

    return 0;
}

 

　　代码最后：pSrc += shift[pSrc[len2]];这里。

举个例子来理解下，比如：

123456789

  237

那么4和7不匹配，len2就表示'5'这个位置，所以pSrc[len2]表示取出'5'这个字符。

所以pSrc下次就移动到'5'这个位置重新开始匹配了。

 

 

ref：http://operatingfocus.bokee.com/3557609.html