文章目录
- 字符串匹配算法
- 1. 蛮力法(BF算法)
- 2. RK算法:
- 3. KMP算法
- 4. KMP模式匹配算法的改进
字符串匹配算法
检查模式P是否另一个字符串T(T代表文本)的子串,因为要检查整个定长的字符串P,所以有时这些算法称为精确字符串匹配算法。此算法通常输入为原字符串(string)和子串(pattern),要求返回子串在原字符串中首次出现的位置。比如原字符串为“ABCDEFG”,子串为“DEF”,则算法返回3。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,下面实现BF和KMP算法。
1. 蛮力法(BF算法)
对于文本T中的每个可能的位置,检查P是否匹配,由于文本T的长度为n,模式P的长度m, 所以T的最后m -1个位置无需检查,即有n-m+1个可选的位置来比较。
/**
* 搜索模式字符串P在文本字符串T中第一次出现的位置的蛮力解法
* 对于文本T中的每个可能的位置,检查P是否匹配,由于文本T的长度为n,模式P的长度为m,
* 所以T的最后m - 1个位置无需检查,即有n-m+1个可选的位置来比较。
* @param T
* @param P
* @return
*/
private static int[] F;
public static int bruteForceStringMatch(String T, String P) {
char[] t = T.toCharArray();
char[] p = P.toCharArray();
int n = t.length;
int m = p.length;
for(int i = 0; i < n - m + 1; i ++) {
int j = 0;
while(j < m && p[j] == t[i + j])
j++;
if(j == m) {
return i;
}
}
return -1;
}
时间复杂度为O((n-m+1)m)=O(nm)
空间复杂度为O(1)
2. RK算法:
RK算法是对BF算法的一个改进:在BF算法中,每一个字符都需要进行比较,并且当我们发现首字符匹配时仍然需要比较剩余的所有字符。而在RK算法中,就尝试只进行一次比较来判定两者是否相等。
RK算法也可以进行多模式匹配,在论文查重等实际应用中一般都是使用此算法。
首先计算子串的HASH值,之后分别取原字符串中子串长度的字符串计算HASH值,比较两者是否相等:如果HASH值不同,则两者必定不匹配,如果相同,由于哈希冲突存在,也需要按照BF算法再次判定。
按照此例子,首先计算子串“DEF”HASH值为Hd,之后从原字符串中依次取长度为3的字符串“ABC”、“BCD”、“CDE”、“DEF”计算HASH值,分别为Ha、Hb、Hc、Hd,当Hd相等时,仍然要比较一次子串“DEF”和原字符串“DEF”是否一致。
时间复杂度:最坏情况:O(MN),最好情况:O(m+n)
3. KMP算法
我们来观察一下朴素的字符串匹配算法的操作过程。如下图(a)中所描述,在模式 P = ababaca 和文本 T 的匹配过程中,模板的一个特定位移 s,q = 5 个字符已经匹配成功,但模式 P 的第 6 个字符不能与相应的文本字符匹配。
此时,q 个字符已经匹配成功的信息确定了相应的文本字符,而知道这 q 个文本字符,就使我们能够立即确定某些位移是非法的。例如上图(a)中,我们可以判断位移 s+1 是非法的,因为模式 P 的第一个字符 a 将与模式的第二个字符 b 匹配的文本字符进行匹配,显然是不匹配的。而图(b)中则显示了位移 s’ = s+2 处,使模式 P 的前三个字符和相应的三个文本字符对齐后必定会匹配。KMP 算法的基本思路就是设法利用这些已知信息,不要把 “搜索位置” 移回已经比较过的位置,而是继续把它向后面移,这样就提高了匹配效率。
怎么做到利用这些已知信息呢?可以针对搜索词,算出一张《部分匹配表》(Partial Match Table)。
首先,要了解两个概念:“前缀"和"后缀”。 "前缀"指除了最后一个字符以外,一个字符串的全部头部组合;"后缀"指除了第一个字符以外,一个字符串的全部尾部组合。
"部分匹配值"就是"前缀"和"后缀"的最长的共有元素的长度。以"ABCDABD"为例,
"A"的前缀和后缀都为空集,共有元素的长度为0;
"AB"的前缀为[A],后缀为[B],共有元素的长度为0;
"ABC"的前缀为[A, AB],后缀为[BC, C],共有元素的长度0;
"ABCD"的前缀为[A, AB, ABC],后缀为[BCD, CD, D],共有元素的长度为0;
"ABCDA"的前缀为[A, AB, ABC, ABCD],后缀为[BCDA, CDA, DA, A],共有元素为"A",长度为1;
"ABCDAB"的前缀为[A, AB, ABC, ABCD, ABCDA],后缀为[BCDAB, CDAB, DAB, AB, B],共有元素为"AB",长度为2;
"ABCDABD"的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB],后缀为[BCDABD, CDABD, DABD, ABD, BD, D],共有元素的长度为0。
"部分匹配"的实质是,有时候,字符串头部和尾部会有重复。比如,“ABCDAB"之中有两个"AB”,那么它的"部分匹配值"就是2("AB"的长度)。搜索词移动的时候,第一个"AB"向后移动4位(字符串长度-部分匹配值),就可以来到第二个"AB"的位置。
package com.wuyi.notecode;
public class KMP {
private int[] next;
public int KMP(String T, String P){
// 先构造 next 数组
createNext(P);
for(int i = 0, j = 0; i < T.length();){
if (j == P.length() - 1)
return i - j;
if (j == 0 || T.charAt(i) == P.charAt(j)){
i++;
j++;
} else {
j = next[j];
}
}
return -1;
}
private void createNext(String P) {
next = new int[P.length()];
next[0] = 0;
for (int i = 1, j = 0;i < P.length();){
if (j == 0 || P.charAt(i - 1) == P.charAt(j - 1)){
//j - 1 代表前缀的最后一个索引,i - 1 代表后缀的最后一个索引
next[i] = j;
i++;
j++;
} else {
// 若字符不相等,则 j 值回溯
j = next[j];
}
}
}
public static void main(String[] args) {
KMP kmp = new KMP();
int res = kmp.KMP("baabcabxaababaaabaab","ababaaaba");
for (int a : kmp.next){
System.out.print(a + " ");
}
System.out.println("\nres:" + res);
}
}
注意:
- KMP算法从左向右比较
- KMP算法需要一个时间和空间开销为O(m)的预处理(部分匹配函数)过程
- 匹配查找的时间复杂度为O(n+m)
4. KMP模式匹配算法的改进
它是在计算 next 值的同时,如果a位字符与 next[i] 值指向对的b位字符相等,则该a位的 next[i] 就指向 b 位的 next[i] 值,如果不等,则该 a 位的 next[i] 值就是它自己 a 位的 next[i] 值。
package com.wuyi.notecode;
public class KMP {
private int[] next;
public int KMP(String T, String P){
// 先构造 next 数组
createNext(P);
for(int i = 0, j = 0; i < T.length();){
if (j == P.length() - 1)
return i - j;
if (j == 0 || T.charAt(i) == P.charAt(j)){
i++;
j++;
} else {
j = next[j];
}
}
return -1;
}
private void createNext(String P) {
next = new int[P.length()];
next[0] = 0;
for (int i = 1, j = 0;i < P.length();){
if (j == 0 || P.charAt(i - 1) == P.charAt(j - 1)){
//j - 1 代表前缀的最后一个索引,i - 1 代表后缀的最后一个索引
//next[i] = j;
if (P.charAt(i) != P.charAt(j))
next[i] = j;
else
next[i] = next[j];
i++;
j++;
} else {
// 若字符不相等,则 j 值回溯
j = next[j];
}
}
}
public static void main(String[] args) {
KMP kmp = new KMP();
int res = kmp.KMP("baabcabxaababaaabaab","abaaba");
for (int a : kmp.next){
System.out.print(a + " ");
}
System.out.println("\nres:" + res);
}
}