串匹配算法_KMP

偏执的太偏执、 2022-05-21 05:52 216阅读 0赞

## 串匹配 ##

串匹配问题即是：**如何在字符串数据中，检测和提取以字符串形式给出的某一局部特征**一般的，即：

--------------------

对基于同一字符表的任何文本串T（|T|=n）和模式串P（|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

--------------------

**测评标准及策略**  
如何对任一串匹配算法的性能作出客观的测量和评估，多数人首先会想到采用算法性能的常规口径和策略：以时间复杂度为例，假设文本串T和模式串P都是随机生成的，然后综合其各种组合从数学或统计等角度得出结论。很遗憾，此类构思不适用。例如：  
以基于字符表\{0，1\}的二进制串为例。任何长度为n的文本串，其中长度为m的串不过n-m+1个（m << n时接近n个）。另一方面，长度为m的随机模式串多达2^m个，故匹配成功的概率为n/2^m。以n=100000、m=100为例，这一概率仅有：  
100000/2^100 < 10^-25  
对于更长的模式串、更大的字符表，这一概率还将更低。因此，这一方法不能有效地覆盖成功匹配的情况，所得测评结论无法准确地反映算法的总体性能。  
**实际上，有效的涵盖成功匹配情况的策略时，随机选取文本串T，并且从T中随机取出长度为m的模式串**

**蛮力算法**  
最直观的解法就是，自左向右以字符为单位，逐个移动模式串，直到在某个位置发现匹配，如下图所示：  
![这里写图片描述][70]

具体有两种方法实现，两者原理相同，过程相仿，实现如下：  
版本1：  
![这里写图片描述][70 1]

int patternmatch(string T,string P)
    {
        int m=P.size();
        int n=T.size();
        int i,j;
        for(i=0;i<n-m+1;++i)
        {
            for(j=0;j<m;++j)
                if(T[i+j]!=P[j])
                    break;
            if(j>=m) break;
        }
        return i;
    }

版本2：  
![这里写图片描述][70 2]

int patternmatch(string T,string P)
    {
        int m=P.size();
        int n=T.size();
        int i=0,j=0;
        while(i<n&&j<m)
        {
            if(T[i]==P[j])
            {
                ++i;
                ++j;
            }
            else
            {
                i=i-j+1;
                j=0;
            }
        }
        return i-j;
    }

复杂度：在最好的情况下只需要经过一轮的比较即可，此时为O(m)；在最坏的情况下，每一轮比对都要比较到模式串的末尾，且在最后一次比对成功，此时共要比较m\*(n-m+1)次，则复杂度为O(n\*m)。**在m越大的时候，最坏的情况出现的概率越大**

**KMP算法**  
为了对蛮力算法进行改进，我们从最坏的情况分析入手。可以发现，在每一轮m次的比对中，仅最后一次可能失配。而一旦发生失配，文本串、模式串的字符指针都要回退，并且从头开始下一轮尝试。这样就会使得，之前匹配过的字符再次进行比较，实际上这类重复的字符比对操作没有必要，既然这些字符在前一轮的迭代中已经接受过比较，并且成功，我们也就掌握了它们的所有信息，我们可以利用这些信息来提高匹配算法的效率。例如：  
![这里写图片描述][70 3]  
对于上图，在失配之后，可以直接跳过中间的三步，而直接到最后一步。这一技巧即：**利用以往的成功比对所提供的信息(记忆)，不仅可以避免文本串字符指针的回退，而且可以使模式串尽可能大跨度的右移（经验）。**

*  **next表**  
    一般地，如下图所示当比对终止于T\[i\]!=P\[j\]。根据上面的想法，指针i不必回退，而是将T\[i\]与P\[t\]对齐并且开始下一轮的比较，那么t取多少？  
    ![这里写图片描述][70 4]  
    上述满足的条件是：  
    **P\[0,t)=T\[i-t,i)=P\[j-t,j\]**  
    即，在P\[0,j)中长度为t的真前缀，应该与长度为t的真后缀完全匹配，故t来自集合：  
    **N(p,j)=\{ t | prefix(prefix(P, j), t) = suffix(prefix(P, j), t), 0 =< t < j\}**  
    一般而言，该集合中包含多个这样的t。其中具体的由哪些t值组成，仅取决于模式串P以及前一轮比对的首个失衡的位置P\[j\]，而与文本串T无关。为了避免回溯，且知道位移量与t的大小成反比，所以：  
    **next\[j\] = max(N(p,j))**  
    则一旦发现P\[j\]与T\[i\]失配，即可转而将P\[ next\[j\] \]与T\[i\]彼此对准开始下一轮的比对。

--------------------

next表构造：  
对于j>0则必有0在N(p,j)中，从而可以保证在其中取最大值，但是当j=0时该如何定义？在串匹配的过程中，如果在某一轮比对中首字符就失配，此时我们要将P直接右移一个字符，然后进行下一轮比对。所以在模式串前面加一个\*作为通配符，让他与任何字符匹配，因此，我们可以取next\[0\]=-1。此时可以考虑如何求next表，考虑如下图：  
![这里写图片描述][70 5]  
若next\[j\]=t，则意味着在P\[0,j)中，自匹配的真前缀和真后缀的最大长度为t，所以必有next\[j+1\]<=next\[j\]+1，特别地当P\[j\]=P\[t\]时取等号，而当P\[j\]!=P\[t\]时该如何求next\[j+1\]？此时看如下图：  
![这里写图片描述][70 6]  
根据next表的功能定义，next\[j+1\]的下一个候选者依次是next\[next\[j\]\]+1，next\[next\[ next\[j\] \]+1……即挑选N(P,j)中的次大着继续比对。在此过程中，t必然单调递减，同时当t降到0时，必然会终止于通配的next\[0\]=-1，不至于下溢。  
具体的可以实现如下：

int *buildNext(char*p)
    {
        size_t m=strlen(p),j=0;
        int *N=new int[m];  //next表
        int t=N[0]=-1;
        while(j<m-1)
        {
            if(t<0||p[j]==p[t]){
                j++;t++;
                N[j]=t;
            }else
                t=N[t];
        }
        return N;
    }

这一过程完全等效于模式串的自我匹配过程，下面看个实例如下：  
![这里写图片描述][70 7]  
![这里写图片描述][70 8]

--------------------

根据以上分析，可以得到KMP算法实现如下：

int match(char*P,char*T)
    {
       //kmp算法
        int *next=buildnext(P);//构建next表
        int n=strlen(T),i=0;
        int m=strlen(P),j=0;
        while(j<m && i<n)
            if(j<0||T[i]==P[j])//若匹配。判断次序不可以交换，j<0对应通配符的情况
            {i++;j++;}
            else
                j=next[j];
        delete [] next;
        return i-j;
    }

复杂度分析：对于上面代码while循环至多执行2n次（这里不做证明），就KMP算法本身而言，运行时间不超过O(n)，next表的构造与上述过程无本质区别，next表的构造时间为O(m)，因此，KMP算法总的时间为O(m+n)。

**改进KMP算法**  
尽管上述中的算法，已经达到了线性的时间，但是在某些情况下可以改进。

--------------------

例如：  
T = “000100001“  
P = “00001“  
next\[ \] = \{-1,0,1,2,3\}  
匹配过程如下：  
![这里写图片描述][70 9]  
即：  
T\[3\] 与 P\[3\] 比对，失败；与 P\[next\[3\]\] = P\[2\] 继续比对，失败；与 P\[next\[2\]\] = P\[1\] 继续比对，失败 ；与 P\[next\[1\]\] = P\[0\] 继续比对，失败；最终，才前进到 T\[4\]  
其实已经知道P\[0\] = P\[1\] = P\[2\] = P\[3\] = ‘0’ (无需T串，即可在事先确定！)，所以可以完全避免上述的三次比对。

--------------------

就之前的KMP算法而言，我们使用next表实质就是利用以往**成功**比对的经验，将记忆力转换为预知力。同样我们可以利用**失败**的比对作为教训，同样可以从中受益。把这种“教训”引入next表，改进next表：  
**N(p,j) = \{0 =< t < j | P\[0, t)=P\[j-t, j) 且 P\[t\]!=P\[j\]\}**  
也就是说，除了自匹配长度以外，t还必须同时满足当前字符对不匹配的必要条件，才可以作为next表的候选，实现如下：

int *buildNext(char*p)
    {
        size_t m=strlen(p),j=0;
        int *N=new int[m];  //next表
        int t=N[0]=-1;
        while(j<m-1)
        {
            if(t<0||p[j]==p[t]){
                j++;t++;
                N[j]=(p[j]!=p[t]? t : N[t]);
            }else
                t=N[t];
        }
        return N;
    }

改进后的算法原算法的唯一区别在于，每次在P\[0, j )中发现长度为t的真前缀和真后缀相互匹配之后，还需要检查P\[j\]是否等于P\[t\]。只有在两个不等的时候，才可以将t赋给next\[j\]；否则转而代之以next\[t\]。

[70]: /images/20220521/c8a8024ce9a74c79af65e435619e8506.png
[70 1]: /images/20220521/9e09096467f5487ab1e024a7b5d0fa27.png
[70 2]: /images/20220521/aa56c9ef78ac4f62ae39f141db53a7d0.png
[70 3]: /images/20220521/6b0bfa0785874e37805bd1624dd2b6d3.png
[70 4]: /images/20220521/3a968447de884c0f8ce0d03beae6f288.png
[70 5]: /images/20220521/f3cdbd253d59457f83c36414058b3902.png
[70 6]: /images/20220521/dea670f878d040bc84c404e6e1f54ca1.png
[70 7]: /images/20220521/edf7a3554fa04ddaaf8766279982cb47.png
[70 8]: /images/20220521/b84f33ec51aa479ca99568dd2241b19d.png
[70 9]: /images/20220521/aee67db1155b489c8a2193121e54c90a.png