首先,簡單描述一下KMP算法,要理解好KMP算法,最好參考算法導論[1],尤其是先理解好自動機匹配的方法,再看KMP就很容易理解了。它利用的是一個關鍵的回退原理,也就是如果匹配失敗時,那麼我知道只要從模式的某個位置繼續匹配就可以了,這個回退的位置事先通過模式計算出來,也就是說如果某個位置匹配不成功,就回退到事先算好的位置,繼續匹配。這個事先算好的位置就是從0到該位置應該是匹配不成功處的一個後綴。這個過程可以通過已經算好的回退位置來遞推出來。
從算法的描述看,回退的數組的構建與匹配的過程是非常相似的。
這裏比較了KMP和string::find以及strstr的性能,代碼如下:
#include <vector>
#include <string>
#include <stdio.h>
#include <stdlib.h>
#include <sys/time.h>
#include <string.h>
void ComputePrefixFun(const std::string& patten, std::vector<int>* back) {
int k = -1;
(*back).push_back(-1);
for (int i = 1; i < patten.size(); ++i) {
while (k > -1 && patten[k + 1] != patten[i]) {
k = (*back)[k];
}
if (patten[k + 1] == patten[i]) {
k++;
}
(*back).push_back(k);
}
}
void Match(const std::string& src, const std::string& patten, const std::vector<int>& back, std::vector<size_t>* offset) {
int k = -1;
size_t src_length = src.size();
size_t patten_length = patten.size();
for (int i = 0; i < src_length; ++i) {
while (k > -1 && patten[k + 1] != src[i]) {
k = back[k];
}
if (patten[k + 1] == src[i]) {
k++;
}
if (k == patten_length - 1) {
(*offset).push_back(i - patten_length + 1);
k = back[k];
}
}
}
std::string IntToString(int value) {
std::string res = "";
do {
res.insert(0,std::string(1, value % 10 + '0'));
} while ((value /= 10) >0);
return res;
}
int GetTime() {
timeval tv;
gettimeofday(&tv, NULL);
return tv.tv_sec * 1000000 + tv.tv_usec;
}
int main(int argc, char** argv) {
std::string patten = "1212123";
std::vector<int> back;
std::string src = "";
for (int i = 0; i < 1000000; ++i) {
src += IntToString(rand());
}
ComputePrefixFun(patten, &back);
std::vector<size_t> offset;
int start = GetTime();
Match(src, patten, back, &offset);
printf("time:%d %zd\n", GetTime() - start, offset.size());
start = GetTime();
int index = -1;
int count = 0;
while ((index = src.find(patten, index + 1)) != std::string::npos)
{
count++;
}
printf("time:%d count = %d\n", GetTime() - start, count);
const char* pos = src.c_str();
start = GetTime();
count = 0;
while (true) {
pos = strstr(pos, patten.c_str());
if (pos == NULL) break;
pos++;
count++;
}
printf("time:%d find:%d \n", GetTime() - start, count);
std::string matched = "";
for (int i = 0; i < offset.size(); ++i) {
matched = src.substr(offset[i], patten.size());
// printf("%zd %s ", offset[i], matched.c_str());
}
printf("\n");
}
開始編譯時沒有使用優化選項,結果KMP的性能總是不理想,使用-O3編譯後,性能明顯改善了。
參考文獻
算法導論 第32章 P586