KMP Algorithm 字符串匹配算法KMP小结
Posted Grandyang
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了KMP Algorithm 字符串匹配算法KMP小结相关的知识,希望对你有一定的参考价值。
这篇小结主要是参考这篇帖子从头到尾彻底理解KMP,不得不佩服原作者,写的真是太详尽了,让博主产生了一种读学术论文的错觉。后来发现原作者是写书的,不由得更加敬佩了。博主不才,尝试着简化一些原帖子的内容,希望能更通俗易懂一些。博主的帖子一贯秉持通俗易懂的风格,使得非CS专业的人士也能读懂,至少博主自己是这么认为的-.-|||
KMP算法,全称Knuth-Morris-Pratt算法,根据三个作者Donald Knuth、Vaughan Pratt、James H. Morris的姓氏的首字母拼接而成的。是一种字符串匹配的算法,用于在一个文本串S中查找模式串P的位置。在讲解KMP算法之前,我们先来看暴力破解法是如何运作的,假如我们有一个文本串S和一个模式串P如下:
文本串: BBC_ABCDAB_ABCDABCDABDE
模式串: ABCDABD
那么我们首先来找模式串的第一个字母A在文本串出现的位置:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
找到后,再来一一比较后面的字母,比较到模式串的D的位置,发现不匹配:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
暴力破解的下一步是将模式串后移一步,继续来匹配开头的A
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
直到找到下一个A,然后开始往后一一比较:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
后面的步骤就不一一列举了,都是按这种方法来查找的,这种算法十分的不高效,时间复杂度是O(m*n),其中m和n分别是文本串和模式串的长度。当m和n都很大的时候,运算速度就会很慢,那么此时就有请KMP算法闪亮登场!!
我们再回到暴力破解方法中的一一比较后面的字母那一步,比较到模式串的D的位置,发现不匹配:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
此时KMP算法并不是将模式串向右移动一位,而是向后移动四位,直接到这一步:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
这样文本串的遍历位置并不会移回去,而是\'_\'直接跟\'C\'匹配,是不是很神奇,它怎么知道要跟模式串上的哪个字符相比呢,实际上是从next数组中查的值,再讲解next数组之前,我们先来讲一下最大前缀后缀公共元素。
所谓最大前缀后缀公共元素,就是模式串中最大且相等的前缀和后缀,比如aba,有长度为1的相同前缀后缀a,再比如,字符串acdac有长度为2的相同前缀后缀ac,那么我们可以写出ABCDABD的每一位上的前缀后缀长度:
A B C D A B D 0 0 0 0 1 2 0
由于模式串的尾部可能有重复的字符,所以我们可以得出一个重要的结论:失配时,模式串向右移动的距离 = 已匹配字符数 - 失配字符的上一位字符所对应的最大长度值
我们之前是在字符\'D\'处失配的,上一位字符是\'B\',对应的最大长度是2,此时已经成功匹配了6个字符,那么我们就将模式串向右移动6-2=4位,并继续匹配即可。
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
此时我们发现\'_\'和\'C\'不匹配,那么\'C\'的上一个字符\'B\'的最大长度为0,此时已经匹配了2个字符,所以模式串向右移动2-0=2位继续匹配,得到:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
此时发现\'_\'和\'A\'不匹配,\'A\'已经是第一个了,不需要查表了,此时将模式串向右移动一位:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
发现此时模式串的首字母\'A\'匹配上了,然后就按顺序一路往下匹配,直到最后一个\'D\'和\'C\'失配:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
我们进行和之前相似的操作,上一位字符是\'B\',对应的最大长度是2,此时已经成功匹配了6个字符,那么我们就将模式串向右移动6-2=4位,并继续匹配即可:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
移动后发现模式串的首字母\'A\'匹配上了,然后就按顺序一路往下匹配,最终完成模式串的匹配:
BBC_ABCDAB_ABCDABCDABDE
ABCDABD
我们发现文本串中的遍历位置始终没有退后,一直都是在向前的,这样使得其比暴力破解法节省了大量的时间,其时间复杂度为O(m+n),简直碉堡了。读到这里是不是有疑问,怎么算法都结束了,还没next数组什么事呢,其实next数组和这里的最大前缀后缀公共元素长度数组是有关联的,上面的方法在失配时,要找失配字符前一个字符的最大前缀后缀公共元素长度值,那么如果我们将最大前缀后缀公共元素长度数组整体右移一位,形成next数组,如下所示:
A B C D A B D 0 0 0 0 1 2 0 -1 0 0 0 0 1 2
上面的中间那行是之前的最大前缀后缀公共元素长度数组,我们将其整体右移一位,多出的位置补上一个-1,就变成了下面的一行。那么我们此时就直接找失配字符的next值就行了。于是我们就得到了新的结论:失配时,模式串向右移动的距离 = 失配字符所在位置 - 失配字符对应的next值。
读到这里是不是对KMP算法的发明者佩服的五体投地,别着急,还剩最后一部分,就是用代码来递推计算next数组。对于next的数组的计算,可以采用递推来算。根据上面的分析,我们知道如果模式串当前位置j之前有k个相同的前缀后缀,那么可以表示为next[j] = k,所以如果当模式串的p[j]跟文本串失配后,我们可以用next[j]处的字符继续和文本串匹配,相当于模式串向右移动了j - next[j]位。那么问题就来了,如何求出next[j+1]的值呢,我们还是来看例子吧:
模式串: A B C D A B C E next值: -1 0 0 0 0 1 2 ? 索引: k j
如上所示,模式串为"ABCDABCE",且j=6, k = 2,我们有next[j] = k,这表示j位置上的字符C之前的最大前后缀长度为2,即AB。现在我们要求next[j+1]的值,因为p[k] == p[j],所以next[j+1] = next[j] + 1 = k + 1 = 3。即字母E之前的最大前后缀长度为3,即ABC。
那么我们再来看p[k] != p[j]的情况下怎么处理,还是来看例子:
模式串: A B C D A B D E next值: -1 0 0 0 0 1 2 ? 索引: k j
这个例子把上面例子中的第二个\'C\'换成了\'D\',所以字符\'E\'前面的相同后缀就不再是3了,所以我们希望在k前面找出个k\'位置,使得p[k\']为D,这样next[j+1] = k\' +1,但是这个例子中不存在这样的\'D\',所以next[j+1] = 0。我们看一个能在前缀中找到\'D\'的例子:
模式串: D A B C D A B D E next值: -1 0 0 0 0 1 2 3 ? 索引: k j
这个例子上面例子的最前面加上了个\'D\',此时j = 7, k = 3了,我们有next[j] = k,这表示j位置上的字符3之前的最大前后缀长度为3,即DAB。要求next[j+1]的值,我们发现此时p[k] != p[j],然后我们让k = next[k] = 0,此时p[0]是D,那么next[j+1] = k + 1 = 1了,这说明字母E之前的最大前后缀长度为1,即D。综上所述,我们可以写出next的生成函数如下:
vector<int> getNext(string p) { int n = p.size(), k = -1, j = 0; vector<int> next(n, -1); while (j < n - 1) { if (k == -1 || p[j] == p[k]) { ++k; ++j; next[j] = k; } else { k = next[k]; } } return next; }
上面这种计算next数组的方式可以进一步的优化,可以优化的原因是因为上面的方法存在一个小小的问题,如果用这种方法求模式串ABAB,会得到next数组为[-1 0 0 1],我们用这个模式串去匹配ABACABABC:
ABACABABC
ABAB
我们会发现C和B失配,那么根据上面的规则,我们要向右移动j - next[j] = 3 - 1 = 2位,于是有:
ABACABABC
ABAB
我们右移两位后发现又是C和B失配了,而我们在上一步中,已知p[3] = B, s[3] = C,就已经失配了,让p[next[3]] = p[1] = B再去和s[3]比较,肯定还是失配。原因是当p[j] != s[i]时,下一步要用p[next[j]]和s[i]去匹配,而如果p[j] == p[next[j]]了,再用p[next[j]]和s[i]去匹配必然会失配。所以我们要避免出现p[j] == p[next[j]]的情况,一旦出现了这种情况,我们可以再次递归,next[j] = next[next[j]],修改后的代码如下:
vector<int> getNext(string p) { int n = p.size(), k = -1, j = 0; vector<int> next(n, -1); while (j < n - 1) { if (k == -1 || p[j] == p[k]) { ++k; ++j; next[j] = (p[j] != p[k]) ? k : next[k]; } else { k = next[k]; } } return next; }
讲到这里,KMP算法的内容就完全讲完了,原帖子中还有两个扩展方法,这里就不讲了,感觉能把上述内容吃透就很不容易了,下面贴上完整的KMP的代码仅供参考:
#include <iostream> #include <vector> using namespace std; vector<int> getNext(string p) { int n = p.size(), k = -1, j = 0; vector<int> next(n, -1); while (j < n - 1) { if (k == -1 || p[j] == p[k]) { ++k; ++j; next[j] = (p[j] != p[k]) ? k : next[k]; } else { k = next[k]; } } return next; } int kmp(string s, string p) { int m = s.size(), n = p.size(), i = 0, j = 0; vector<int> next = getNext(p); while (i < m && j < n) { if (j == - 1 || s[i] == p[j]) { ++i; ++j; } else { j = next[j]; } } return (j == n) ? i - j : -1; } int main() { cout << kmp("BBC_ABCDAB_ABCDABCDABDE", "ABCDABD") << endl; // Output: 15 }
参考资料:
http://blog.csdn.net/v_july_v/article/details/7041827
转载请注明出处:来自Grandyang的博客园:http://www.cnblogs.com/grandyang/p/6992403.html
以上是关于KMP Algorithm 字符串匹配算法KMP小结的主要内容,如果未能解决你的问题,请参考以下文章