【笔记】串的模式匹配算法
串的模式匹配也称为子串的定位操作,即查找子串在主串中出现的位置。设有主串S和子串T,如果在主串S中找到一个与子串T相相等的串,则返回串T的第一个字符在串S中的位置。其中,主串S又称为目标串,子串T又称为模式串。本文主要介绍两种常用的模式匹配算法,即朴素模式匹配算法——BF算法和改进算法——KMP算法。
一、BF算法
1.BF算法思想
BF算法思想是从主串
假设主串为S=“ababcabcacbab”,模式串T=“abcac”,S的长度为n=13,T的长度为m=5。用变量i表示主串S中当前正在比较字符的下标,变量j表示子串T中当前正在比较字符的下标。模式匹配过程如下图所示。
BF算法简单且容易理解,并且进行某些文本处理时,效率也比较高;然后在有些情况下,则效率很低。下面分析其时间复杂性。设串S长度为n,串T长度为m。匹配成功的情况下,考虑两种极端情况:
- 最好情况下
在最好情况下,每趟不成功的匹配都发生在第一对字符比较时。例如:
s=“aaaaaaaaaabc”,t=“bc”
设匹配成功发生在si 处,则字符比较次数在前面i-1趟匹配*比较了i-1次,第i趟成功的匹配共比较了m次,所以总共比较了i-1+m次,所有匹配成功的可能共有n-m+1种。设从si 开始与t串匹配成功的概率为pi ,在等概率的情况下pi=1n−m+1 ,因此最好情况下平均比较的次数是1n−m+1∑i=1n−m+1(i−1+m)=12(n+m)
即最好情况下的时间复杂性是O(n+m) 。
-
最坏情况下
在最坏情况下,每趟匹配不成功的匹配都发生在t的最后一个字符。例如:
s=“aaaaaaaaaaab”,t=“aaab”
设匹配成功发生在si 处,则在前面i-1趟匹配*比较了(i-1)*m次,第i趟成功的匹配共比较了m次,所以总共比较了i*m次,共需要进行n-m+1趟比较。因此最坏情况下,的平均比较次数是1n−m+1∑i=1n−m+1im=m(n−m+2)2
即最坏情况下的时间复杂性是O(n∗m) 。
2.BF算法实现(C语言)
假设串采用顺序存储方式存储,则BF匹配算法如下:
int B_FIndex(SeqString S,int pos,SeqString T)
/*BF模式匹配算法。在主串S中的第pos个位置开始查找子串T,如果找到返回子串在主串的位置;否则,返回-1*/
{
int i,j;
i=pos-1;
j=0;
while(i<S.length&&j<T.length)
{
if(S.str[i]==T.str[j]) /*如果串S和串T中对应位置字符相等,则继续比较下一个字符*/
{
i++;
j++;
}
else /*如果当前对应位置的字符不相等,则从串S的下一个字符开始,T的第0个字符开始比较*/
{
i=i-j+1;
j=0;
}
}
if(j>=T.length) /*如果在S中找到串T,则返回子串T在主串S的位置*/
return i-j+1;
else
return -1;
}
在BF算法中,即使主串与模式串已有多个字符经过比较相等,只要有一个字符不相等,就需要将主串的比较位置回退。
二、KMP算法
KMP算法在BF算法的基础上有较大的改进,可在O(m+n)时间数量级上完成串的模式匹配,主要是消除了主串指针的回退,使算法效率有了很大程度的提高。
1.KMP算法思想
KMP算法的基本思想是在每一趟匹配过程中出现字符不等时,不需要回退主串的指针,而是利用已经得到前面“部分匹配”的结果,将模式串向右滑动若干个字符后,继续与主串中的当前字符进行比较。
假设主串S=“ababcabcacbab”,模式串T=“abcac”,KMP算法匹配过程如下左图所示。
从图中可以看出,KMP算法的匹配次数由BF算法的6趟减少为3趟。在整个KMP算法中,主串i指针没有回退。
下面讨论一般情况。假设主串
假设子串即模式串存在可重叠的真子串,即
即子串中存在从
匹配过程中,当主串中的第i+1个字符与模式串中的第j+1个字符不等时,仅需将模式串向右滑动至第k+1个字符与主串中的第i+1个字符对齐,即
如果令next[j]=k,则next[j]表示当模式串中的第j个字符与主串中的对应的字符不相等时,在模式串中需要重新与主串中与该字符进行比较的字符的位置。模式串中的next函数定义如下:
其中第一种情况,next[j]的函数是为了方便算法设计而定义的;第二种情况,如果子串中存在重叠的真子串,则next[j]的取值就是k,即模式串的最长子串的长度;第三种情况,如果模式串中不存在重叠的子串,则从子串的第一个字符开始比较。
KMP算法的模式匹配过程:如果模式串T中存在真子串
“t0t1…tk−1”=“tj−ktj−k+1…tj−1” ,当模式串T的tj 与主串S的si 不相等,则按照next[j]=k将模式串向右滑动,从主串中的si 与模式串的tk 开始比较;如果si=tk ,则主串与模式串的指针各自增1,继续比较下一个字符;如果si≠tk ,则按照next[next[j]]将模式串继续向右滑动,将主串中的si 与模式串中的next[next[j]]字符进行比较;如果仍然不相等,则按照以上方法,将模式串继续向右滑动,直到next[j]=-1。这时,模式串不再向右滑动,从si+1 开始与t0 进行比较。
利用next函数值的一个模式匹配示例如下图所示。
2.next函数的算法
- 求next函数值
模式串中的next函数值的取值与主串无关,仅与模式串有关,根据模式串next函数定义,next函数值可用递推的方法得到。
设next[j]=k,表示在模式串T中存在以下关系:
其中,
(1)如果
(2)如果
如果有
如果有
- 改进的求next函数值算法
一般地,在求得next[j]=k后,如果模式串中的
3.KMP算法的实现(C语言)
-
KMP模式匹配算法
利用模式串T的next函数值求T在主串S中的第pos个字符之后的位置的KMP算法描述如下:
int KMP_Index(SeqString S,int pos,SeqString T,int next[])
/*KMP模式匹配算法。利用模式串T的next函数在主串S中的第pos个位置开始查找子串T,如果找到返回子串在主串的位置;否则,返回-1*/
{
int i,j;
i=pos-1;
j=0;
while(i<S.length&&j<T.length)
{
if(j==-1||S.str[i]==T.str[j]) /*如果j=-1或当前字符相等,则继续比较后面的字符*/
{
i++;
j++;
}
else /*如果当前字符不相等,则将模式串向右移动*/
j=next[j];
}
if(j>=T.length) /*匹配成功,返回子串在主串中的位置。否则返回-1*/
return i-T.length+1;
else
return -1;
}
- 求next函数值的算法:
int GetNext(SeqString T,int next[])
/*求模式串T的next函数值并存入数组next*/
{
int j,k;
j=0;
k=-1;
next[0]=-1;
while(j<T.length)
{
if(k==-1||T.str[j]==T.str[k]) /*如果k=-1或当前字符相等,则继续比较后面的字符并将函数值存入到next数组*/
{
j++;
k++;
next[j]=k;
}
else /*如果当前字符不相等,则将模式串向右移动继续比较*/
k=next[k];
}
}
求next函数值的算法时间复杂度是O(m)。一般情况下,模式串的长度比主串的长度要小得多,因此对整个字符串的匹配来说,增加这点事件是值得的。
- 改进的求next函数值的算法:
int GetNextVal(SeqString T,int nextval[])
/*求模式串T的next函数值的修正值并存入数组next*/
{
int j,k;
j=0;
k=-1;
nextval[0]=-1;
while(j<T.length)
{
if(k==-1||T.str[j]==T.str[k]) /*如果k=-1或当前字符相等,则继续比较后面的字符并将函数值存入到nextval数组*/
{
j++;
k++;
if(T.str[j]!=T.str[k]) /*如果所求的nextval[j]与已有的nextval[k]不相等,则将k存放在nextval中*/
nextval[j]=k;
else
nextval[j]=nextval[k];
}
else /*如果当前字符不相等,则将模式串向右移动继续比较*/
k=nextval[k];
}
}
三、模式匹配应用举例
编程比较BF算法和KMP算法的效率。例如主串S=“cabaadcabaababaabacabababab”,模式串T=“abaabacababa”,统计BF算法和KMP算法在匹配过程中的比较次数,并输出模式串的next函数值与nextval函数值。
- 主函数
/*包含头文件*/
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include"SeqString.h"
/*函数的声明*/
int B_FIndex(SeqString S,int pos,SeqString T,int *count);
int KMP_Index(SeqString S,int pos,SeqString T,int next[],int *count);
int GetNext(SeqString T,int next[]);
int GetNextVal(SeqString T,int nextval[]);
void PrintArray(SeqString T,int next[],int nextval[],int length);
void main()
{
SeqString S,T;
int count1=0,count2=0,count3=0,find;
int next[40],nextval[40];
StrAssign(&S,"cabaadcabaababaabacabababab"); /*给主串S赋值*/
StrAssign(&T,"abaabacababa"); /*给模式串T赋值*/
GetNext(T,next); /*将next函数值保存在next数组*/
GetNextVal(T,nextval); /*将改进后的next函数值保存在nextval数组*/
printf("模式串T的next和改进后的next值:\n");
PrintArray(T,next,nextval,StrLength(T)); /*输出模式串T的next值与nextval值*/
find=B_FIndex(S,1,T,&count1); /*传统的模式串匹配*/
if(find>0)
printf("BF算法的比较次数为:%2d\n",count1);
find=KMP_Index(S,1,T,next,&count2);
if(find>0)
printf("利用next的KMP算法的比较次数为:%2d\n",count2);
find=KMP_Index(S,1,T,nextval,&count3);
if(find>0)
printf("利用nextval的KMP匹配算法的比较次数为:%2d\n",count3);
StrAssign(&S,"abccbaaaababcabcbccabcbcabccbcbcb"); /*给主串S赋值*/
StrAssign(&T,"abcabcbc"); /*给模式串T赋值*/
GetNext(T,next); /*将next函数值保存在next数组*/
GetNextVal(T,nextval); /*将改进后的next函数值保存在nextval数组*/
printf("模式串T的next和改进后的next值:\n");
PrintArray(T,next,nextval,StrLength(T)); /*输出模式串T的next值域nextval值*/
find=B_FIndex(S,1,T,&count1); /*传统的模式串匹配*/
if(find>0)
printf("BF算法的比较次数为:%2d\n",count1);
find=KMP_Index(S,1,T,next,&count2);
if(find>0)
printf("利用next的KMP算法的比较次数为:%2d\n",count2);
find=KMP_Index(S,1,T,nextval,&count3);
if(find>0)
printf("利用nextval的KMP匹配算法的比较次数为:%2d\n",count3);
}
void PrintArray(SeqString T,int next[],int nextval[],int length)
/*模式串T的next值与nextval值输出函数*/
{
int j;
printf("j:\t\t");
for(j=0;j<length;j++)
printf("%3d",j);
printf("\n");
printf("模式串:\t\t");
for(j=0;j<length;j++)
printf("%3c",T.str[j]);
printf("\n");
printf("next[j]:\t");
for(j=0;j<length;j++)
printf("%3d",next[j]);
printf("\n");
printf("nextval[j]:\t");
for(j=0;j<length;j++)
printf("%3d",nextval[j]);
printf("\n");
}
- BF算法
int B_FIndex(SeqString S,int pos,SeqString T,int *count)
/*BF模式匹配算法。在主串S中的第pos个位置开始查找子串T,如果找到返回子串在主串的位置;否则,返回-1*/
{
int i,j;
i=pos-1;
j=0;
*count=0; /*count保存主串与模式串的比较次数*/
while(i<S.length&&j<T.length)
{
if(S.str[i]==T.str[j]) /*如果串S和串T中对应位置字符相等,则继续比较下一个字符*/
{
i++;
j++;
}
else /*如果当前对应位置的字符不相等,则从串S的下一个字符开始,T的第0个字符开始比较*/
{
i=i-j+1;
j=0;
}
(*count)++;
}
if(j>=T.length) /*如果在S中找到串T,则返回子串T在主串S的位置*/
return i-j+1;
else
return -1;
}
- KMP算法
int KMP_Index(SeqString S,int pos,SeqString T,int next[],int *count)
/*KMP模式匹配算法。利用模式串T的next函数在主串S中的第pos个位置开始查找子串T,如果找到返回子串在主串的位置;否则,返回-1*/
{
int i,j;
i=pos-1;
j=0;
*count=0; /*count保存主串与模式串的比较次数*/
while(i<S.length&&j<T.length)
{
if(j==-1||S.str[i]==T.str[j]) /*如果j=-1或当前字符相等,则继续比较后面的字符*/
{
i++;
j++;
}
else /*如果当前字符不相等,则将模式串向右移动*/
j=next[j];
(*count)++;
}
if(j>=T.length) /*匹配成功,返回子串在主串中的位置。否则返回-1*/
return i-T.length+1;
else
return -1;
}
int GetNext(SeqString T,int next[])
/*求模式串T的next函数值并存入数组next*/
{
int j,k;
j=0;
k=-1;
next[0]=-1;
while(j<T.length)
{
if(k==-1||T.str[j]==T.str[k]) /*如果k=-1或当前字符相等,则继续比较后面的字符并将函数值存入到next数组*/
{
j++;
k++;
next[j]=k;
}
else /*如果当前字符不相等,则将模式串向右移动继续比较*/
k=next[k];
}
}
int GetNextVal(SeqString T,int nextval[])
/*求模式串T的next函数值的修正值并存入数组next*/
{
int j,k;
j=0;
k=-1;
nextval[0]=-1;
while(j<T.length)
{
if(k==-1||T.str[j]==T.str[k]) /*如果k=-1或当前字符相等,则继续比较后面的字符并将函数值存入到nextval数组*/
{
j++;
k++;
if(T.str[j]!=T.str[k]) /*如果所求的nextval[j]与已有的nextval[k]不相等,则将k存放在nextval中*/
nextval[j]=k;
else
nextval[j]=nextval[k];
}
else /*如果当前字符不相等,则将模式串向右移动继续比较*/
k=nextval[k];
}
}
朴素的BF算法也是常用的算法,毕竟它不需要计算next函数值。KMP算法在模式串与主串存在许多部分匹配的情况下,其优越性才会显示出来。
- 测试结果