说明:本文主体内容转自阮一峰博客,笔记会根据平时的学习修改部分内容。
字符串匹配是计算机的基本任务之一。
举例来说,有一个字符串 "BBC ABCDAB ABCDABCDABDE",我想知道,里面是否包含另一个字符串 "ABCDABD"?
许多算法可以完成这个任务,Knuth-Morris-Pratt 算法(简称 KMP)是最常用的之一。它以三个发明者命名,起头的那个 K 就是著名科学家 Donald Knuth。
这种算法不太容易理解,网上有很多解释,但读起来都很费劲。直到读到 Jake Boxer 的文章,我才真正理解这种算法。下面,我用自己的语言,试图写一篇比较好懂的 KMP 算法解释。
1.
首先,字符串 "BBC ABCDAB ABCDABCDABDE" 的第一个字符与搜索词 "ABCDABD" 的第一个字符,进行比较。因为 B 与 A 不匹配,所以搜索词后移一位。
2.
因为 B 与 A 不匹配,搜索词再往后移。
3.
就这样,直到字符串有一个字符,与搜索词的第一个字符相同为止。
4.
接着比较字符串和搜索词的下一个字符,还是相同。
5.
直到字符串有一个字符,与搜索词对应的字符不相同为止。
6.
这时,最自然的反应是,将搜索词整个后移一位,再从头逐个比较。这样做虽然可行,但是效率很差,因为你要把 "搜索位置" 移到已经比较过的位置,重比一遍。
7.
一个基本事实是,当空格与 D 不匹配时,你其实知道前面六个字符是 "ABCDAB"。KMP 算法的想法是,设法利用这个已知信息,不要把 "搜索位置" 移回已经比较过的位置,继续把它向后移,这样就提高了效率。
8.
怎么做到这一点呢?可以针对搜索词,算出一张《部分匹配表》(Partial Match Table)。这张表是如何产生的,后面再介绍,这里只要会用就可以了。
9.
已知空格与 D 不匹配时,前面六个字符 "ABCDAB" 是匹配的。查表可知,最后一个匹配字符 B 对应的 "部分匹配值" 为 2,因此按照下面的公式算出向后移动的位数:
移动位数 = 已匹配的字符数 - 对应的部分匹配值
因为 6 - 2 等于 4,所以将搜索词向后移动 4 位。
10.
因为空格与C不匹配,搜索词还要继续往后移。这时,已匹配的字符数为 2("AB"),对应的 "部分匹配值" 为 0。所以,移动位数 = 2 - 0,结果为 2,于是将搜索词向后移 2 位。
11.
因为空格与 A 不匹配,继续后移一位。
12.
逐位比较,直到发现 C 与 D 不匹配。于是,移动位数 = 6 - 2,继续将搜索词向后移动 4 位。
13.
逐位比较,直到搜索词的最后一位,发现完全匹配,于是搜索完成。如果还要继续搜索(即找出全部匹配),移动位数 = 7 - 0,再将搜索词向后移动 7 位,这里就不再重复了。
14.
下面介绍《部分匹配表》是如何产生的。
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。
15.
"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。
16.
"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。
现以两道题来研究next、nextval数组计算方法。需要注意的是下题的next求法和阮一峰所述的有些许差异。为了不搞混,我说明一下:
主要是前2个单元的差异。
阮一峰:求解第j,就观察0~j
天勤课本:特殊:第一位0。求解第j位,就观察0~j-1,结果加1. (j>=1)
考研:具体看真题参考答案。
nextval求解思路:从next出发,比如当前位于j,那么看next[j]等于多少,比如等于k,就代表要跳到k位置,然后看k与j代表的模式串是不是相等的,如果是就继续下去...,最后停住的nextval[j] = next[?] 否则nextval[j] = next[j];
kmp优化思想是:假如模式串在某一连续段i~j的字符相等,较为好的方法是在i发生不匹配的时候,直接跳出i~j的多余比较,就是要求的nextval数组,这就是KMP算法优化的切入点。