字符串的模式匹配算法
求子串位置的定位函数index
子串的定位操作通常称作串的模式匹配,是各种串处理系统中最重要的操作之一。
一个最简单的匹配方法是:
从左到右一个个匹配,如果这个过程中有某个字符不匹配,就跳回去,将模式串向右移动一位。
初始化:
之后我们只需要比较i指针指向的字符和j指针指向的字符是否一致。如果一致就都向后移动,如果不一致,如下图:
A和E不相等,那就把i指针移回第1位(假设下标从0开始),j移动到模式串的第0位,然后又重新开始这个步骤:
算法实现如下:
1 | int indexSubStr(MyString *S,MyString *substr,int pos){ |
上述算法的匹配过程易于理解,且在某些应用场合,如文本编辑等,效率也较高。较好的情况下,此算法的时间复杂度为O(n+m)。然而在有些情况下,该算法的效率却很低。例如,当模式串为“00000001”,而主串为“00000000000000000000000000000001”时,每趟比较都在模式的最后一个字符出现不等,此时需要将指针i重新回溯到i-6的位置上,并从模式的第一个字符开始重新比较,则最坏的情况下的时间复杂度为O(n*m)。
模式匹配的一种改进算法——KMP算法
这种改进算法是D.E.Knuth与V.R.Pratt和J.H.Morris同时发现的,因此人们称它为KMP算法。此算法可以在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:每一趟匹配过程中出现字符比较不等时,不需回溯i指针,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的一段距离后,继续进行比较。
如:
此时,移动j到一个合适的位置k继续比较:
如下图也是一样的情况:
此时,移动j到一个合适的位置k继续比较:
至此我们可以大概看出一点端倪,当匹配失败时,j要移动的下一个位置k。存在着这样的性质:最前面的k个字符和j之前的最后k个字符是一样的。如下图所示:
下面讨论一般情况。假设主串为“s1s2….sn”,模式串为“p1p2…pm”,从上例的分析可知,为了实现改进算法,需要解决下述问题:当匹配过程中产生“失配”(即si≠pj)时,模式串“向右滑动”可行的距离多远,换句话说,当主串中第i个字符与模式中第j个字符“失配”时,主串中第i个字符(i指针不回溯)应与模式串中哪个字符再比较?
假设此时应与模式中第k(k<j)个字符继续比较,则模式中前k-1个字符的子串必须满足下列关系式,且不可能存在k’>k满足下列关系式:
“p1 p2 … pk-1” = “si-k+1 si-k+2 … si-1”
即下图蓝框圈起的上下两部分:
而已经得到的部分匹配的结果是:
“pj-k+1 pj-k+2 … pj-1” = “si-k+1 si-k+2 … si-1”
即下图蓝框圈起的上下两部分:
那么可以推得下列等式:
“p1 p2 … pk-1” = “pj-k+1 pj-k+2 … pj-1” 。
即下图表示的两边相等的部分:
即,若模式中存在满足上式的两个子串,则当匹配过程中,主串中第i个字符与模式中第j个字符比较不等时,仅需将模式串向右滑动至模式中第k个字符和主串中第i个字符对齐,此时,模式中前k-1个字符的子串“p1 p2 … pk-1”必定与主串中第i个字符之前长度为k-1的子串“si-k+1 si-k+2 … si-1”相等,由此,匹配仅需从模式中第k个字符与主串中第i个字符比较起继续进行。
因为在p的每一个位置都可能发生不匹配,也就是说我们要计算每一个位置j对应的k,所以用一个数组next来保存,next[j] = k,表示当s[i] != p[j]时,j指针的下一个位置。由此可引出模式串的next函数的定义:
next[j]= | -1 | 当j = 0时 |
---|---|---|
Max{k丨0<k<j且“p0 p1 … pk-1” = “pj-k pj-k+1 … pj-1”} | 当此集合不空时 | |
0 | 其他情况 |
求得模式串的next函数之后,匹配可如下进行:
假设以指针i和j分别指示主串和模式中正待比较的字符,令i的初值为pos,j的初值为0。
若在匹配的过程中s[i]=p[j],则i,j分别增1,继续比较;
若s[i]≠p[j],则i不变,而j退到next[j]的位置再比较,若相等,则指针各自增1,否则j再退到next[j]的位置再比较,以此类推;
若j退到值为0,则此时需将模式串继续向右滑动一个位置,即从主串的下一个字符si+1起和模式串重新开始匹配。
KMP算法实现如下:
1 | int myStringIndexSubString(MyString *S,MyString *substr,int pos){ //KMP算法 |
KMP的算法是在已知模式串的next函数值的基础上执行的,那么,如何求得模式串的next函数值是很重要的。
从上述讨论可见,此函数值仅取决于模式串本身而和相匹配的主串无关。我们可以从分析其定义出发用递推的方法求得next函数值。
先来看第一个:当j为0时,如果这时候不匹配,怎么办?
像上图这种情况,j已经在最左边了,不可能再移动了,这时候要应该是i指针后移。所以在代码中才会有next[0] = -1这个初始化。如果是当j为1的时候呢?
显然,j指针一定是后移到0位置的。因为它前面也就只有这一个位置了,next[1] =0。
当{0<k<j且“p0 p1 … pk-1” = “pj-k pj-k+1 … pj-1”}集合不空时,设next[j] = k,这表明在模式串中存在下列关系:
“p0 p1 … pk-1” = “pj-k pj-k+1 … pj-1”,其中k为满足0<k<j的某个值,并且不可能存在k’>k满足前面的等式。
此时next[j+1] =?可能有两种情况:
1.p[k] = p[j],如下图所示:
前面next[j] = k时,已经存在“p0 p1 … pk-1” = “pj-k pj-k+1 … pj-1”这一等式,若p[k] = p[j],则很容易的得出:
“p0 p1 … pk” = “pj-k pj-k+1 … pj”,
即在此基础上两边加上相等的p[k]、 p[j],
则next[j+1] = k+1,即next[j+1]=next[j] +1。
2.p[k] != p[j],如下图所示:
此时“p0 p1 … pk” != “pj-k pj-k+1 … pj”,可以把求next函数值的问题看成是一个模式匹配的问题,整个模式串既是主串又是模式串,而当前在匹配过程中,已有“p0 p1 … pk-1” = “pj-k pj-k+1 … pj-1”这一等式,则当p[k] != p[j]时应将模式串向右滑动至以模式串中的第next[k]个字符和主串中的第j个字符相比较,如下图所示:
这就是为什么代码中为k = *(nextval+k)
当其他情况时,next[j] =0,这表明模式串从头开始比较。
getKMPNext函数
1 | static int *getKMPNext(MyString *substr){ |
在上面的getKMPNext函数中还修正了next的值。前面定义的Next表达式有一个小缺陷,看一个例子:
显然,根据Next表达式得到的next数组应该是[ -1,0,0,1 ],所以下一步我们应该是把j移动到第1个元素:
不难发现,这一步是完全没有意义的。因为后面的B已经不匹配了,那前面的B也一定是不匹配的,同样的情况其实还发生在第2个元素A上。
发生问题的原因在于P[j] == P[next[j]]。
所以在getKMPNext函数中添加一个判断条件:
1 | if(*(substr->str+(++j)) == *(substr->str+(++k))){ //两个字符相等时跳过 |
修正后的next数组是[ -1,0,0,0 ]。
getKMPNext函数的时间复杂度为O(m)。通常,模式串的长度m比主串的长度n要小的多,因此,对整个匹配算法来说,所增加的这点时间是值得的。
最前面介绍的匹配算法的时间复杂度是O(n*m),但在一般情况下,其实际的执行时间近似于O(n+m),因此至今仍被采用。KMP算法仅当模式串与主串之间存在许多“部分匹配”的情况下才显得比这个算法快得多。但是KMP算法的最大特点是指示主串的指针不需要回溯,整个匹配过程中,对主串仅需从头至尾扫描一遍,这对处理从外设输入的庞大文件很有效,可以边读入边匹配,而无需回头重读。
KMP算法的实现基于之前的C封装字符串、字符串数组对象内容:C封装字符串、字符串数组对象
testMyString.c文件:
1 | #include <stdio.h> |
KMP匹配的调用的代码段是:
1 | printf("the MyString : Mr Bluyee index: "); |
编译:
1 | gcc MyString.c MyString.h MyStringArray.c MyStringArray.h testMyString.c -o testMyString |
运行testMyString:
1 | str_a :hello , length :6 |
本篇文章部分内容整理自:(原创)详解KMP算法
本文标题:字符串的模式匹配算法
文章作者:Mr Bluyee
发布时间:2018-09-07
最后更新:2019-07-15
版权声明:The author owns the copyright, please indicate the source reproduced.