[转]字符串匹配算法（二）穷举与自动机

[转]字符串匹配算法（二）穷举与自动机

穷举法又叫暴力法。大多数程序员眼里，它是幼稚的，但大师们不这么认为。

Rob Pike, 最伟大的C 语言大师之一, 在《Notes on C Programming》中阐述了一个原则： 花哨的算法比简单算法更容易出bug、更难实现，尽量使用简单的算法配合简单的数据结构。而 Ken Thompson——Unix 最初版本的设计者和实现者，禅宗偈语般地对Pike 的这一原则作了强调： 拿不准就穷举（When in doubt , use brute force）。 而对于装13爱好者来说，更是自豪的称其使用的是BF算法。

穷举法用在字符串匹配上，简单的描述就是，检查文本从0到n-m的每一个位置，看看从这个位置开始是否与模式匹配。这种方法还是有一些优点的，如：不需要预处理过程，需要的额外空间为常数，每一趟比较时可以以任意顺序进行。

尽管它的时间复杂度为O(mn)，例如在文本"aaaaaaaaaaaaaaaaaaaaaaaaaaa"中寻找"aaaaab"时，就完全体现出来了。但是算法的期望值却是2n，这表明该算法在实际应用中效率不低。

C代码如下：

1. void BF(char *x, int m, char *y, int n) {
2.    int i, j;
4.    /* Searching */
5.    for (j = 0; j <= n - m; ++j) {
6.       for (i = 0; i < m && x[i] == y[i + j]; ++i);
7.       if (i >= m)
8.          OUTPUT(j);
9.    }
10. }
11.   

如果我们注意到C库函数是汇编优化过的，并通常能提供比C代码更高的性能的话，我们可以用memcmp来完成每一趟比较过程，从而达到更好的性能：

1. #define EOS '\0'
2.    
3. void BF(char *x, int m, char *y, int n) { 
4.   char *yb; 
5.   /* Searching */ 
6.   for (yb = y; *y != EOS; ++y) 
7.     if (memcmp(x, y, m) == 0) 
8.       OUTPUT(y - yb);
9. }

自动机的方法其实和穷举法有点相似，都是用最简单直白的方式来做事情。区别在于穷举法是在计算，而自动机则是查表。尽管自动机的构造过程有一点点难解，要涉及到DFA的理论，但是自动机的比较过程那绝对是简单到无语。

简单说来，根据模式串，画好了一张大的表格，表格m+1行σ列，这里σ表示字母表的大小。表格每一行表示一种状态，状态数比模式长度多1。一开始的状态是0，也就是处在表格的第0行，这一行的每个元素指示了当遇到某字符时就跳转到另一个状态。每当跳转到最终状态时，表示找到了一个匹配。

语言表述起来还是比较啰嗦，看代码就知道了：

1. #define ASIZE 256
3. int preAut(const char *x, int m, int* aut) {
4.         int i, state, target, old;
6.         for (state = 0, i = 0; i < m; ++i) {
7.                 target = i + 1;
8.                 old = aut[state * ASIZE + x[i]];
9.                 aut[state * ASIZE + x[i]] = target;
10.                 memcpy(aut + target * ASIZE, aut + old * ASIZE, ASIZE*sizeof(int));
11.                 state = target;
12.         }
13.         return state;
14. }
17. void AUT(const char *x, int m, const char *y, int n) {
18.         int j, state;
20.         /* Preprocessing */
21.         int *aut = (int*)calloc((m+1)*ASIZE, sizeof(int));
22.         int Terminal = preAut(x, m, aut);
24.         /* Searching */
25.         for (state = 0, j = 0; j < n; ++j) {
26.                 state = aut[state*ASIZE+y[j]];
27.                 if (state == Terminal)
28.                         OUTPUT(j - m + 1);
29.         }
30. }

（ 注：原文的代码使用一个有向图的数据结构，我遵循大师的指引，改用了更简单一点的数组）

从代码上我们很容易看出，自动机的构造需要时间是O(mσ)，空间也是O(mσ)（严格来说这份代码使用了O((m+1)σ)），但是一旦构造完毕，接下来匹配的时间则是O(n)。

匹配的过程前面已经说了，太简单了没什么好说的，这里就解释一下构造过程吧！

我们构造的目标是对应模式长度，构造出同样多的状态，用0表示初始状态，然后第一个字符用状态1表示，第二个用状态2表示，依次类推，直到最后一个字符，用m表示，也是最终状态。

一开始，数组全都置0，，这个时候的自动机遇到任何字符都转到初始状态。然后给它看模式的第一个字符，假设这是'a'吧，告诉它，状态0遇到'a'应该到一个新的状态——状态1，所以把第0行的第'a'列修改为1。而这个时候状态1还是空白的，怎么办呢？

这时候状态0就想呀，在我被告知遇到'a'要去状态1之前，我原本遇到'a'都要去状态0的，也就是修改之前第'a'列所指的那个状态，称为old状态吧；而现在我遇到'a'却要去一个新的状态，既然以前old状态能处理遇到'a'之后的事情，那么我让新的状态像old状态一样就好了。于是状态0把old状态拷贝到状态1。

现在轮到状态1了，给它看第二个字符，它也如法炮制，指向了状态2，又把old状态拷贝给了状态2。

于是，状态机就在这种代代传承的过程中构造完毕了。

虽然理论上自动机是最完美的匹配方式，但是由于预处理的消耗过大，实践中，主要还是用于正则表达式。

结语：穷举法与自动机各自走了两个极端，因此都没能达到综合性能的最佳，本文之后介绍的算法，可以看成是在穷举和自动机两者之间取舍权衡的结果。