教程见:学堂在线 -> 30240184X 数据结构 -> 第十一章
串匹配问题
- 串:长度往往远大于字符集的规模,元素重复率高
- 串匹配:对基于同一字符表的文本串
T[n]
和模式串P[m]
,判定 T 中是否存在某一子串与 P 相同,若存在(匹配), 则报告该子串在 T 中的起始位置。串的长度 n 和 m
本身通常都很大, 但相对而言 n 更大,即满足 2 << m << n。
暴搜
我一直想到的都是这样的版本,思路简单粗暴。用 i 标记对其位置,然后逐个字符比对,匹配就结束,不匹配到最后返回 -1:
int match_2(char *P, char *T, int m, int n){
int i, j;
for(i = 0; i < n - m + 1; i ++){ //i是对齐点
for(j = 0; j < m; j ++){ //j指向比对的第j个字符
if(T[i + j] != P[j]) break;
}
if(j == m) return i;
}
return -1;
}
这个版本更适合后面 KMP 算法套用,不同之处在于,它用 i 指示主串 T 正在接受匹配的字符, j 指示模式串 P 正在匹配的字符,而对齐位置其实是 i - j。然后,对于每次匹配或者不匹配,详细列出了操作,:
int match_1(char *P, char *T, int m, int n){
//P[0:m) <- j; T[0:n) <- i;
int i = 0, j = 0;
while(i < n && j < m){
if(T[i] == P[j]){ //如果匹配,都后移
i ++, j ++;
}else{
i -= j - 1; j = 0; //不匹配,j归零,i回到刚刚匹配的对齐点的后一个
}
}
return i - j;
}
测试了一个例子,这两种写法每一步比对都是一样的,复杂度是相同的。从match_2
版本来看,复杂度是 O(n*m),可以找到反例,每一次匹配都在最后一个字符失配。
改进思路
这两个例子可以看出改进的方向。对于左图,比对到 j 位置,一定是因为前面P[0,j)
都比对成功,也就是“000000”。下一步比对难道还要从头开始,比对 6 个 0 才停下吗?一眼看上去,肯定知道前 5 个 0 都是比对成功的,从P[5]
开始比对就可以了,j 只需要会退到 j - 1,而主串完全不必回退,i 仍然留在刚才失配的位置,等待下一次匹配。
对于右图,失配时,显然往后移动一步、两步都不会成功的,移动三步再开始就够了。
一般地,如果在图中位置 i 和 j 失配,可以将 T[i]
与P[t]
对齐直接进行下一次匹配,这个 t 选做多少?
由前面匹配成功,T[i - j, i) = P[0, j)
。
子串向右滑动后,如第三行,前缀能匹配,因此由图中1、2、3行匹配,T[i - t, i) = P[j - t, j) = P[0, t)
。也就是说,P[0, j)
的长度为 t 的后缀,等于长度为 t 的前缀,即P[j - t, j) = P[0, t)
。
这样的 t 可能不止一个,就像上面左图,5、4、3、2、1、0都能满足要求。但是为了不漏掉情况,选最大的 t ,也就是子串进行幅度最小的滑动。而且这个条件漂亮地脱离了与主串的关系,在这里能向后滑动多少,全部由子串本身就可以决定了。
next 表
既然与主串无关,可以依据子串先构造一个线性表 next。其中,next[j]
的具体含义是,对于P[0, j)
,满足真前缀与真后缀相同的最大长度,也即P[j - t, j) = P[0, t)
的最大的 t 。
这样,对于接下来计算的指导意义就是,当比对失配时,若主串位置为 i,子串位置为 j,则可以将子串的P[t]
与主串T[i]
做下一步比对,即子串向后滑动 j - t 个字符。
主算法
有了 next 表,只需要在前面的match_2
中修改一下,失配的时候,i 不需要回退,j 滑到 next[j],自然下一步就是P[t]
与T[i]
做比对了。
int match_kmp_1(char *P, char *T, int m, int n){
//P[0:m) <- j; T[0:n) <- i;
int next[m];
buildNext(P, m, next);
int i = 0, j = 0;
while(i < n && j < m){
printf("i = %d, j = %d\n", i, j);
if(j < 0 || T[i] == P[j]){ //如果匹配,都后移。j=-1是假想的哨兵匹配
i ++, j ++;
}else{
j = next[j]; //不匹配,i不动,只把j滑到next[j]
}
}
return i - j;
}
这里还有一点,匹配的条件还有 j < 0。我倾向于理解这是个特殊约定:next[0]
置为 -1 是比较合适的,因为数组P[0, j)
没有长度,已经没有真前缀了,如果置为 0,那主算法将陷入死循环。这样一来,如果遇到T[i]
与P[0]
失配,按常理应该把 i 向后移动了,取 j = next[j]干嘛?为了写到一起去,索性仍然取j = next[j]
,然后下一次循环里让它做i ++, j ++
就正好达到效果。
教程的意思是,假想一个哨兵在P[-1]
位置,它与任何字符都匹配。这样到了-1 的位置一定会匹配成功,自然i ++, j ++
,也可以达到效果。总之, j < 0 是要当做匹配而处理的,写进匹配的条件。
next 的构造
void buildNext(char *P, int m, int* N){
N[0] = -1;
int j = 0, t = -1;
while(j < m - 1){
if(t < 0 || P[j] == P[t]){
j ++, t ++;
N[j] = t;
}else{
t = N[t];
}
}
}
这里给出的 buildNext 我也是看了好久才看懂。这里的思路只是,假想将 P 字符串复制一份,然后自己与自己做匹配。同样,j 是指向所谓的“主串”,而 t 指向所谓“子串”。当匹配成功的时候,显然有更长的前缀等于后缀,而这个前后缀是对于P[0, j + 1)
而言的,所以在都 ++ 之后再存到数组里正好,t 也就是那个前缀的长度。当匹配不成功,就和主算法一样,反正前面的 next 正好都算完了,只把 t 滑到 next[t]。
还有这个初始条件也想不出来,反正这样刚好启动……结束条件也是,因为j = m - 1 已经没有意义再算了,再算就算到 next[j] 了,不存在的。
线性时间
我真的乍一看是不明白为什么线性时间的。然而给一个辅助量 k = 2 * i - j,就会发现,主算法里面,每一轮循环,如果走上面分支,k ++;如果走下面分支,j 严格减小,k 增加。而 k 最大不过 2 * n,因此是线性的。同样,buildNext 其实也是一样的字符串匹配。所以整个算法是O(m+n)。
我严重怀疑以后遇上了我还得再学几次才能弄懂……