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。
(完)
文檔信息
- 版權聲明:自由轉載-非商用-非衍生-保持署名 | Creative Commons BY-NC-ND 3.0
- 原文網址:http://www.ruanyifeng.com/blog/2013/05/Knuth–Morris–Pratt_algorithm.html
- 最後修改時間:2013年9月18日 15:42
package com.liwt.algorithm.pattern;
/**
* KMP算法的Java實現例子與測試、分析
*
* @author likebamboo
* @create 2013-10-15
* @see http://www.ruanyifeng.com/blog/2013/05/Knuth–Morris–Pratt_algorithm.html
*
*/
public class KMP {
/**
* 對子串加以預處理,從而找到匹配失敗時子串回退的位置 找到匹配失敗時的最合適的回退位置,而不是回退到子串的第一個字符,即可提高查找的效率
* 因此爲了找到這個合適的位置,先對子串預處理,從而得到一個回退位置的數組
*
* @param sub
* 待處理的子串
* @return
*/
public static int[] next(String sub) {
char[] c = sub.toCharArray();
int length = sub.length();
int[] p = new int[length];
p[0] = 0;
int j = 0;
// 每循環一次,就會找到一個回退位置
for (int i = 1; i < length; i++) {
// 當找到第一個匹配的字符時,即j>0時纔會執行這個循環
// 或者說p2中的j++會在p1之前執行(限於第一次執行的條件下)
// p1
while (j > 0 && c[j] != c[i]) {
j = p[j];
}
// p2,由此可以看出,只有當子串中含有重複字符時,回退的位置纔會被優化
if (c[j] == c[i]) {
j++;
}
// 找到一個回退位置j,把其放入P[i]中
p[i] = j;
}
return p;
}
/**
* KMP實現
*
* @param parStr
* @param subStr
* @return
*/
public static void kmp(String parStr, String subStr) {
int subSize = subStr.length();
int parSize = parStr.length();
char[] A = parStr.toCharArray();
char[] B = subStr.toCharArray();
int[] P = next(subStr);
int j = 0;
int k = 0;
for (int i = 0; i < parSize; i++) {
// 當找到第一個匹配的字符時,即j>0時纔會執行這個循環
// 或者說p2中的j++會在p1之前執行(限於第一次執行的條件下)
// p1
while (j > 0 && B[j] != A[i]) {
// 找到合適的回退位置
j = P[j - 1];
}
// p2 找到一個匹配的字符
if (B[j] == A[i]) {
j++;
}
// 輸出匹配結果,並且讓比較繼續下去
if (j == subSize) {
j = P[j - 1];
k++;
System.out.printf("Find subString '%s' at %d\n", subStr, i
- subSize + 1);
}
}
System.out.printf("Totally found %d times for '%s'.\n\n", k, subStr);
}
public static void main(String[] args) {
// next數組爲P[0, 0, 0 , 0, 1, 2, 0]
kmp("BBC ABCDAB ABCDABCDABDE", "ABCDABD");
// next數組爲P[0, 0, 1, 2, 3, 4]
kmp("Test ititi ititit! Test ititit!這個會匹配2次", "ititit");
// next數組爲P[0, 0, 0]
kmp("測試漢字的匹配,崔衛兵。這個會匹配1次", "崔衛兵");
// next數組爲P[0, 0, 0, 1, 2, 3, 4, 5, 6]
kmp("這個會匹配0次", "it1it1it1");
}
}