KMP算法

　　字符串匹配算法，是在实际工程中经常遇到的问题，常见的算法包括：BF（Brute Force，暴力检索）、RK（Robin-Karp，哈希检索）、KMP（教科书上最常见算法）、BM（Boyer Moore）、Sunday等，本篇，我们主要讨论kmp算法。

　　在说KMP算法之前，我们先看看简单匹配算法（也叫暴力检索）。

简单匹配算法（BF）

首先将原字符串和子串左端对齐，逐一比较；如果第一个字符不能匹配，则子串向后移动一位继续比较；如果第一个字符匹配，则继续比较后续字符，直至全部匹配。

代码实现

n = len(T)
m = len(P)
for s in range(0, n-m+1):
    k = 0
    for i in range(0, m):
        if T[s+i] != P[i]:
             break
        else:
            k += 1
    if k == m:
        print s

算法分析

最坏情况:

外层循环: n – m

内层循环: m

总计 (n–m)m = O(nm)

最好情况: n-m

完全随机的文本和模式:

O(n–m)

 

KMP算法(Knuth-Morris-Pratt)

KMP算法的核心，是一个被称为部分匹配表(Partial Match Table)的数组。

对于字符串“abababca”，它的PMT如下表所示：

　　就像例子中所示的，如果待匹配的模式字符串有8个字符，那么PMT就会有8个值。

　　我先解释一下字符串的前缀和后缀。如果字符串A和B，存在A=BS，其中S是任意的非空字符串，那就称B为A的前缀。例如，”Harry”的前缀包括{”H”, ”Ha”, ”Har”, ”Harr”}，我们把所有前缀组成的集合，称为字符串的前缀集合。同样可以定义后缀A=SB， 其中S是任意的非空字符串，那就称B为A的后缀，例如，”Potter”的后缀包括{”otter”, ”tter”, ”ter”, ”er”, ”r”}，然后把所有后缀组成的集合，称为字符串的后缀集合。要注意的是，字符串本身并不是自己的后缀。

　　有了这个定义，就可以说明PMT中的值的意义了。PMT中的值是字符串的前缀集合与后缀集合的交集中最长元素的长度。例如，对于”aba”，它的前缀集合为{”a”, ”ab”}，后缀集合为{”ba”, ”a”}。两个集合的交集为{”a”}，那么长度最长的元素就是字符串”a”了，长度为1，所以对于”aba”而言，它在PMT表中对应的值就是1。再比如，对于字符串”ababa”，它的前缀集合为{”a”, ”ab”, ”aba”, ”abab”}，它的后缀集合为{”baba”, ”aba”, ”ba”, ”a”}， 两个集合的交集为{”a”,”aba”}，其中最长的元素为”aba”，长度为3。

　　好了，解释清楚这个表是什么之后，我们再来看如何使用这个表来加速字符串的查找，以及这样用的道理是什么。如图 1.12 所示，要在主字符串"ababababca"中查找模式字符串"abababca"。如果在 j 处字符不匹配，那么由于前边所说的模式字符串PMT的性质，主字符串中i指针之前的PMT[j −1]位就一定与模式字符串的第0位至第 PMT[j−1]位是相同的。这是因为主字符串在i位失配，也就意味着主字符串从 i−j 到 i这一段是与模式字符串的0到j这一段是完全相同的。而我们上面也解释了，模式字符串从0到j−1，在这个例子中就是”ababab”，其前缀集合与后缀集合的交集的最长元素为”abab”，长度为4。所以就可以断言，主字符串中i指针之前的 4 位一定与模式字符串的第0位至第 4 位是相同的，即长度为 4 的后缀与前缀相同。这样一来，我们就可以将这些字符段的比较省略掉。具体的做法是，保持i指针不动，然后将j指针指向模式字符串的PMT[j −1]位即可。

　　简言之，以图中的例子来说，在i处失配，那么主字符串和模式字符串的前边6位就是相同的。又因为模式字符串的前6位，它的前4位前缀和后4位后缀是相同的，所以我们推知主字符串i之前的4位和模式字符串开头的4位是相同的。就是图中的灰色部分。那这部分就不用再比较了。

 

　　有了上面的思路，我们就可以使用PMT加速字符串的查找了。我们看到如果是在j位失配，那么影响 j指针回溯的位置的其实是第j −1位的PMT值，所以为了编程的方便，我们不直接使用PMT数组，而是将PMT数组向后偏移一位。我们把新得到的这个数组称为next数组。下面给出根据next数组进行字符串匹配加速的字符串匹配程序。其中要注意的一个技巧是，在把PMT进行向右偏移时，第0位的值，我们将其设成了-1，这只是为了编程的方便，并没有其他的意义。在本节的例子中，next数组如下表所示。

 

　　具体的程序如下所示：

int KMP(char * t, char * p) 
{
    int i = 0; 
    int j = 0;
    while (i < strlen(t) && j < strlen(p))
    {
        if (j == -1 || t[i] == p[j]) 
        {
            i++;
                   j++;
        }
         else 
                   j = next[j];
        }
    if (j == strlen(p))
       return i - j;
    else 
       return -1;
}

　　好了，讲到这里，其实KMP算法的主体就已经讲解完了。只要搞明白了PMT的意义，其实整个算法都迎刃而解。

　　现在，我们再看一下如何编程快速求得next数组。其实，求next数组的过程完全可以看成字符串匹配的过程，即以模式字符串为主字符串，以模式字符串的前缀为目标字符串，一旦字符串匹配成功，那么当前的next值就是匹配成功的字符串的长度。

　　具体来说，就是从模式字符串的第一位(注意，不包括第0位)开始对自身进行匹配运算。在任一位置，能匹配的最长长度就是当前位置的next值。如下图所示。

 

 

 

求next数组值的程序如下所示：

void getNext(char * p, int * next)
{
    next[0] = -1;
    int i = 0, j = -1;

    while (i < strlen(p))
    {
        if (j == -1 || p[i] == p[j])
        {
            ++i;
            ++j;
            next[i] = j;
        }    
        else
            j = next[j];
    }
}

 C#实现

// 构造 pattern 的最大匹配数表
static int[] CalculateMaxMatchLengths(String pattern) {
    int[] maxMatchLengths = new int[pattern.Length];
    int maxLength = 0;
    for (int i = 1; i < pattern.Length; i++) {
        //上一个最大长度的元素与本次的匹配的元素不相等，maxLength会被赋值到上一个maxLength，然后继续匹配，直到找到相同的。
        while (maxLength > 0 && pattern[maxLength] != pattern[i]) {
            maxLength = maxMatchLengths[maxLength - 1]; 
        }
        if (pattern[i] == pattern[maxLength]) {
            maxLength++; 
        }
        //这里自动省略对i=0的赋值，也就变成默认为0
        maxMatchLengths[i] = maxLength;
    }
    return maxMatchLengths;
}

KMP算法分析

运行时间: O(n+m)

主算法: O(n)

Compute-Prefix-Table: O(m)

空间: O(m)