字符串模式匹配算法--BF和KMP详解
1,问题描述
字符串模式匹配：串的模式匹配 ，是求第一个字符串（模式串:str2）在第二个字符串（主串:str1）中的起始位置。
注意区分：
- 子串：要求连续 （如：abc 是abcdef的子串）
- 子序列：可以不连续 （如：acd是abcdef的子序列）
2,简单字符串模式匹配(BF算法)
2.1 简单匹配思路描述
简单字符串模式匹配算法，也就是了BF（Brute Force 蛮力，暴力）算法，俗称暴力法。
基本思路：
-
- (1) 从主串S指定的字符开始（一般为第1个）和模式串P的第一个字符比较，若相等，则继续逐个比较后续字符，直到P中的每个字符依次和S中的一个连续字符序列相等，则称匹配成功；
-
- (2)如果比较过程中有某对字符串不相等，则从主串S的下一个字符起再重新和T的第一个字符比较。如果S中的字符都比完了仍然没有匹配 成功，则称匹配不成功。
简单模式匹配算法--举例：
主串str1: a b a b c a b c a c b a b
模式串str2: a b c a c
(i=0
第一趟匹配：a b a b c a b c a c b a b
a b c
(j=2
(i=1
第二趟匹配: a b a b c a b c a c b a b
a
(j=0
(i=2
第三趟匹配： a b a b c a b c a c b a b
a b c a c
(j=4
(i=3
第四趟匹配：a b a b c a b c a c b a b
a
(j=0
(i=4
第五趟匹配：a b a b c a b c a c b a b
a
(j=0
(i=5 (i=10
第六趟匹配：a b a b c a b c a c b a b
a b c a c
(j=0 (j=5
2.2 时间复杂度
设串S和P的长度分别为m,n，则它在最坏情况下的时间复杂度是O(m*n)。BF算法的最坏时间复杂度虽然不好，但它易于理解和编程，在实际应用中，一般还能达到近似于O(m+n)的时间度（最坏情况不是那么容易出现的），因此，还在被大量使用。
2.3 BF代码实现
#include <iostream> #include <vector> using namespace std; int BF_strMatch(vector<char> v1, vector<char> v2) { //v1是主串，v2是模式串 //如果匹配成功，返回子串在主串中的起始位置；否则，返回-1； int i = 0, j = 0; int n = v1.size(), m = v2.size(); while (i < n && j < m) { if (v1[i] == v2[j]) { ++i; ++j; } else { i = i - j + 2;//通过观察下标变换的关系得出 j = 1; } } return (j == m) ? (i - m) : -1; } void main() { vector<char> s1 = { 'a','b','a','b','c','a','b','c','a','c','b','a','b'}; vector<char> s2 = { 'a','b','c','a','c' }; cout << BF_strMatch(s1, s2) << endl; }
3,经典KMP匹配算法
3.1 KMP算法基本思想
KMP算法可以在O(n+m)的时间数量级上完成串的模式匹配操作。其改进在于：每当一趟匹配过程中出现字符比较不等时，不需回溯 i 指针( i 只增不减)，而是利用已经得到的“部分匹配”的结果将模式串向右滑动尽可能远一段距离后，继续进行比较。
3.2 KMP算法关键点
KMP算法加速原因：让前面匹配过的信息指导后面。
KMP算法理解的关键点：
- 1.求解最长公共子串（next数组），只跟模式串 str2 有关，而与主串 str1 无关（有的参考书没有讲解清楚这一点，导致容易混淆）；
- 2.最长公共子串，大多数的参考书称为最长公共前缀，这里我称之为最长公共子串，是为了避免与下面两个概念混淆。这里对最长公共子串的定义：最长前缀和最长后缀的最长公共子串。
- 最长前缀：从第一个字符的起的连续一串字符，不含最后一个字符；
- 最长后缀：不含第一个字符，从中间某一个字符其到最后一个字符的连续一串字符；
例1：对于模式串“a b c a b c d”,求字符d的最长公共子串。
解：设length为字符d最长公共子串的长度，根据定义，length的可能取值为1~5：
a b c a b c d
length = 1 : a != c
length = 2 : ab != bc
length = 3 : abc == abc
length = 4 : abca != cabc
length = 5 : abcab != bcabc
显然，字符d的最长公共子串的长度为3
例2：对于模式串“a a a a a b”,求字符b的最长公共子串。
同理，length可能的取值为1~4：
length = 1 : a == a
length = 2 : aa == aa
length = 3 : aaa == aaa
length = 4 : aaaa == aaaa
显然，字符b的最长公共子串的长度为4
3.3 求解next数组
next数组的求解，实际是对每个位置找到最长的公共子串：
一般地，对于模式串str2="P0P1P2…Pm-1"，长度为m，其next数组的定义：
- 当j=0时，即str2中的第一个字符，其前没有字符，人为规定 next[0] = -1;
- 当j=1时，即str2中的第二字符，其前只有一个字符，人为规定 next[1] = 0;
- 当 2<= j =< m-1:
- Max{ k | 1<= k =< j-1 且 “P0…Pk-1” == "Pj-k…Pj-1"}不空时，next[j] = Max{ k | 1<= k =< j-1 且 “P0…Pk-1” == "Pj-k…Pj-1"}，
- Max{ k | 1<= k =< j-1 且 “P0…Pk-1” == "Pj-k…Pj-1"}为空时，next[j] = 0 ;
求解next数组的代码：
vector<int> getNext(vector<char> v) { //模式串str2 与 模式串str2 (自己跟自己) 做KMP匹配 int m = v.size();//v字符串长度 vector<int> next(m, 0); int i = 2; int j = 0; if (m == 0) return next; next[0] = -1; if (m == 1) return next; next[1] = 0; while (i < m) { if (v[i - 1] == v[j]) { ++j; next[i] = j; ++i; } else if(j>0){ j = next[j]; } else { next[i++] = 0; } } return next;//放对位置 } //test void main() { vector<char> s3 = { 'a','b','a','a','b','c','a','c' }; for (auto c : getNext(s3)) { cout << c << " "; } cout << endl; }
求解next数组的经典方法（最好理解记住）：
# 获取next[]数组 def getNext(str): next = [-1]*len(str) # next[0]=-1 if len(str)>=1: next[1] = 0 i, j =1, 0 while(i<len(str)-1): if j==-1 or str[i]==str[j]: i += 1 j += 1 next[i] = j else: next[i] = next[j] return next
3.4 完整的KMP算法代码
#include <iostream> #include <vector> using namespace std; int KMP_strMatch(vector<char> v1, vector<char> v2,vector<int> next) { //v1是主串，v2是模式串 //如果匹配成功，返回子串在主串中的起始位置；否则，返回-1； int i = 0, j = 0; int n = v1.size(), m = v2.size(); while (i < n && j < m) { if (v1[i] == v2[j]) { ++i; ++j; } else { if (j == 0) ++i; //j回到模式串头部还不匹配，i加1 j = next[j]; //使用next数组提供指导 } } return (j == m) ? (i - m) : -1; } vector<int> getNext(vector<char> v) { //模式串str2 与 模式串str2 (自己跟自己) 做KMP匹配 int m = v.size();//v字符串长度 vector<int> next(m, 0); int i = 2; int j = 0; if (m == 0) return next; next[0] = -1; if (m == 1) return next; next[1] = 0; while (i < m) { if (v[i - 1] == v[j]) { ++j; next[i] = j; ++i; } else if(j>0){ j = next[j]; } else { next[i++] = 0; } } return next;//放对位置 } void main() { vector<char> s1 = { 'a','b','a','b','c','a','b','c','a','c','b','a','b'}; vector<char> s2 = { 'a','b','c','a','c' }; for (auto c : getNext(s2)) { cout << c << " "; } cout << endl; cout << KMP_strMatch(s1, s2,getNext(s2)) << endl; }
4,KMP算法进深理解
4.1 BF和KMP执行流程对比
- 当str1[i] == str2[j]时，操作一样，++i，++j;
- 当str1[i] != str2[j]，即不匹配时：
- BF：i = i - j + 2, j = 0;
- KMP：i 不动(不回溯)，j = next[j];
4.2 next数组要求最大公共子串的原因
str1:a b k a b a b k a b x
str2:a b k a b a b k a b y //i=10,j=10 不匹配，j=next[10]=5（不是j=0，减少了5次比较）,继续比较
a b k a b a b k a b F //i=10,j=5 不匹配，j=next[5]=2（不是j=0，减少了2次比较）,继续比较
a b k a b a b k a b F //i=10,j=2 不匹配，j=next[2]=0（才是j=0，较少了0次比较）,继续比较
a b k a b a b k a b F //i=10,j=0 不匹配，++i（此时i才加1）,j=0
分析：
（1）加速的原因：减少了不必要的比较次数。
（2）为什么模式串可以向右滑动尽可能远一段距离后，再继续比较：
正如上面的例子：前面都是相等的，到了x与y匹配时才不相等——
(W--------------Q)
[i|-----k---|j |x] //红色部分是滑过的距离，即不必要的比较次数,这里指的i……j之间的位置不可能匹配出str2
(-a-b-k-a-b)(-a-b-k-a-b)
(W--------------Q)
(-a-b-k-a-b)(-a-b-k-a-b)
[0| |j |y]
假设从k字符起可以配出str2，那么必然会存在更长的子串（W-------Q）比y位置的最长子串（a-b-k-a-b）更长，如果next数组求解正确，这是不可能。出现矛盾，假设不成立。
因为next数组求的就是每一个字符的最长公共子串。
参考资料：
1.《数据结构考研复习指导》--王道单科书
2.https://www.cnblogs.com/zzqcn/p/3508442.html#_labelTop 字符串模式匹配算法1 - BF和KMP算法
3. https://www.nowcoder.com/courses/semester/senior 《牛客高级项目课——（牛客网）》--大牛·左程云
