1.kmp算法的原理:
本部分內容轉自:http://www.ruanyifeng.com/blog/2013/05/Knuth%E2%80%93Morris%E2%80%93Pratt_algorithm.html
字符串匹配是計算機的基本任務之一。
舉例來說,有一個字符串"BBC ABCDAB ABCDABCDABDE",我想知道,裏面是否包含另一個字符串"ABCDABD"?
許多算法可以完成這個任務,Knuth-Morris-Pratt算法(簡稱KMP)是最常用的之一。它以三個發明者命名,起頭的那個K就是著名科學家Donald Knuth。
這種算法不太容易理解,網上有很多解釋,但讀起來都很費勁。直到讀到Jake Boxer的文章,我才真正理解這種算法。下面,我用自己的語言,試圖寫一篇比較好懂的KMP算法解釋。
1.
首先,字符串"BBC ABCDAB ABCDABCDABDE"的第一個字符與搜索詞"ABCDABD"的第一個字符,進行比較。因爲B與A不匹配,所以搜索詞後移一位。
2.
因爲B與A不匹配,搜索詞再往後移。
3.
就這樣,直到字符串有一個字符,與搜索詞的第一個字符相同爲止。
4.
接着比較字符串和搜索詞的下一個字符,還是相同。
5.
直到字符串有一個字符,與搜索詞對應的字符不相同爲止。
6.
這時,最自然的反應是,將搜索詞整個後移一位,再從頭逐個比較。這樣做雖然可行,但是效率很差,因爲你要把"搜索位置"移到已經比較過的位置,重比一遍。
7.
一個基本事實是,當空格與D不匹配時,你其實知道前面六個字符是"ABCDAB"。KMP算法的想法是,設法利用這個已知信息,不要把"搜索位置"移回已經比較過的位置,繼續把它向後移,這樣就提高了效率。
8.
怎麼做到這一點呢?可以針對搜索詞,算出一張《部分匹配表》(Partial Match Table)。這張表是如何產生的,後面再介紹,這裏只要會用就可以了。
9.
已知空格與D不匹配時,前面六個字符"ABCDAB"是匹配的。查表可知,最後一個匹配字符B對應的"部分匹配值"爲2,因此按照下面的公式算出向後移動的位數:
移動位數 = 已匹配的字符數 - 對應的部分匹配值
因爲 6 - 2 等於4,所以將搜索詞向後移動4位。
10.
因爲空格與C不匹配,搜索詞還要繼續往後移。這時,已匹配的字符數爲2("AB"),對應的"部分匹配值"爲0。所以,移動位數 = 2 - 0,結果爲 2,於是將搜索詞向後移2位。
11.
因爲空格與A不匹配,繼續後移一位。
12.
逐位比較,直到發現C與D不匹配。於是,移動位數 = 6 - 2,繼續將搜索詞向後移動4位。
13.
逐位比較,直到搜索詞的最後一位,發現完全匹配,於是搜索完成。如果還要繼續搜索(即找出全部匹配),移動位數 = 7 - 0,再將搜索詞向後移動7位,這裏就不再重複了。
14.
下面介紹《部分匹配表》是如何產生的。
首先,要了解兩個概念:"前綴"和"後綴"。 "前綴"指除了最後一個字符以外,一個字符串的全部頭部組合;"後綴"指除了第一個字符以外,一個字符串的全部尾部組合。
15.
"部分匹配值"就是"前綴"和"後綴"的最長的共有元素的長度。以"ABCDABD"爲例,
- "A"的前綴和後綴都爲空集,共有元素的長度爲0;
- "AB"的前綴爲[A],後綴爲[B],共有元素的長度爲0;
- "ABC"的前綴爲[A, AB],後綴爲[BC, C],共有元素的長度0;
- "ABCD"的前綴爲[A, AB, ABC],後綴爲[BCD, CD, D],共有元素的長度爲0;
- "ABCDA"的前綴爲[A, AB, ABC, ABCD],後綴爲[BCDA, CDA, DA, A],共有元素爲"A",長度爲1;
- "ABCDAB"的前綴爲[A, AB, ABC, ABCD, ABCDA],後綴爲[BCDAB, CDAB, DAB, AB, B],共有元素爲"AB",長度爲2;
- "ABCDABD"的前綴爲[A, AB, ABC, ABCD, ABCDA, ABCDAB],後綴爲[BCDABD, CDABD, DABD, ABD, BD, D],共有元素的長度爲0。
16.
"部分匹配"的實質是,有時候,字符串頭部和尾部會有重複。比如,"ABCDAB"之中有兩個"AB",那麼它的"部分匹配值"就是2("AB"的長度)。搜索詞移動的時候,第一個"AB"向後移動4位(字符串長度-部分匹配值),就可以來到第二個"AB"的位置。
2.kmp算法的代碼:
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
//next[i] = k 意思是模式串P的第i個字符與主串相應字符失配時,此字符重新與模式串比較的字符位置爲k
void get_next(const char P[], int next[])
{
int len = strlen(P);
if(len==0) return;
next[0] = -1; //第0個字符失配時,主串應該右移一位,這裏用-1表示。
if(len==1) return;
next[1] = 0;
if(len==2) return;
int i = 1, j = 0;
while(i<len)
{
//當第i+1個模式串字符失配時
if(j == -1 || P[i] == P[j]) //第i個字符和第next[i]個字符相等情況
{
i++;
j++;
next[i] = j;
}
else //第i個字符和第next[i]個字符不等情況,應比較第i個字符和第next[next[i]]個字符是否相等
{
j = next[j];
}
}
}
int index_kmp(const char S[], const char P[], const int next[])
{
int i = 0, j = 0;
int len1 = strlen(S);
int len2 = strlen(P);
while(i<len1 && j<len2)
{
if(j == -1 || S[i] == P[j])//j=-1說明模式串第0個字符和主串相應字符失配
{
i++;
j++;
}
else
{
j = next[j];
}
}
if(j==len2)
return i-j;
else
return -1;
}
int main()
{
char S[] = "BBC ABCDAB ABCDABCDABDE";
char P[] = "ABCDABD";
int P_len = strlen(P);
int *next = (int *)malloc(sizeof(int)*P_len);
get_next(P, next);
for(int i = 0; i<P_len; i++)
{
printf("next[%d]=%d\n", i, next[i]);
}
int result = index_kmp(S, P, next);
printf("result = %d\n", result);
return 0;
}