一、本文简介本文的目的是简单明了的讲解KMP算法的思想及实现过程。 网上的文章的确有些杂乱,有的过浅,有的太深, 希望本文对初学者是非常友好的。 其实KMP算法有一些改良版,这些是在理解KMP核心思想后的优化。 所以本文重点是讲解KMP算法的核心,文章最后会有涉及一些改良过程。 二、KM算法简介KMP算法是字符串匹配算法的一种。它以三个发明者命名,Knuth-Morris-Pratt,起头的那个K就是著名科学家Donald Knuth。 三、KMP算法行走过程首先我们先定义两个字符串作为示例,被匹配串 S = 'abcabdabcabeab',匹配串 T = 'abcabeab'。 我们的目标就是确定S中是否包含T。 KMP算法的核心是分析匹配串 T 的特征,看看匹配串 T 能告诉我们什么信息。我把 T 着色,如下 T = ' ab c ab e ab ' 现在看起来似乎比较明显了,三个着色点都是重复的 'ab',似乎这个 T 能告诉我们它有重复的子串'ab'可以利用。那么它们到底怎么用?先不讲具体怎么用,先走一遍KMP这个过程,但是大家需要留意这个'ab'。 1.
我们发现T在匹配成功 'abcab' 后到'e'时和S子串的'd'匹配不成功了。 这个时候我们可以得到的 先验就是目前T匹配过的S子串,就是' abcab'。而T本身就是'ab'重复的。所以'abcab'可以直接跳到第二个重复'ab'的位置,因为'abcab'中其它字符串开头不可能产生和T对应的匹配,这是很直观的。 因此T应该直接后移三个位置,并且用第三位的'c'和S刚才不匹配的'd'进行比较。
可以发现, S匹配的过程是不会回退的。因此匹配过程是S从头到尾的一遍扫描(中间可能因为匹配成功退出),所以这个 查找过程是O(N)的复杂度。 2.此时的匹配串是 'ab', 它告诉我们目前匹配的是'ab'。这个不像' abcab'出现了重复'ab',所以我们知道包括S[5]的'd'之前的子串是垃圾串。因此跳过S[5]重新开始匹配T。 最后完成匹配,可见,这样一次对S的扫描完成了对T的查找。 那么对于机器如何实现?第四节会分析。 四、KMP算法核心解析对于上面的过程,我们抽离出来的话, 问题的根本就是对T串重复情况的一个判定。不管S是什么串,只要对T的构造模式分析清楚就可以完成上述跳转过程。 因此需要一个数组记录这个T的 模式函数。 这里先给出这个T的模式函数
1.每个字母对应模式函数的值就是匹配到当前位置 i 后,下一次T开始进行比较的下标。 2.而S的移动长度为 i - F(i-1)。 对应上面两个问题 1.比如上面的匹配到的 ' abcab' ,是T匹配到 T[5] 即'e'的时候出错的。那么我们需要查看上一个字符的模式函数值,因为上一个函数值才代表了已经匹配的串。 发现F(4)=2,说明下次比较从T[2]即'c'开始。因为 ' abcab' 有重复'ab',第一个'ab'不需要比较。 2.而S下标移动多少呢?S下标的移动即找到T的初试位置对应的S的下标。对应上面第二张图,S[3]和T的移动对应起来了。3的获得就是通过上面公式 5-F(4)得到的。其实这个结果和1得到匹配位置的思路是一样的,不过又向前移动对齐了开头。 为什么如此构造这个模式函数?就是因为F值表示了对于位置 i, T[i]有无重复,并且重复下标的位置在哪(F[i])。既然我们获取了重复下标的位置,那么其它的相关值可以推出来了。 基于这个思路,再给出另外两个T串的模式函数值,帮助大家思考。 1.
2. 如何快速构造这个模式函数? 这个留给大家思考一下了,应该也比较直接了,注意是查找重复位置。如果不大明白,可以参考下面的代码。 五、KMP算法实现再添加个例子帮助大家思考: S1 = 'aaaaaaaaaaaaaaaab' S2 = 'aaaaafaaaaaaaaab' T = 'aaaab' 对于S1和S2两种情况,应如何匹配。 代码如下: 1 /* 2 return val means the begin pos of haystack 3 -1 means no matching substring 4 */ 5 int KMP(char *haystack, char *needle) { 6 // pre-process 7 if(haystack[0] == 0 && needle[0] == 0) 8 return 0; 9 10 int i, j, k, min, cur;11 12 //construct F(t) in vector len13 vector<int > len;14 len.push_back(0);15 for(i=1; needle[i] != 0; i++){16 if(len[i-1] == 0){17 if(needle[i] == needle[0])18 len.push_back(1);19 else20 len.push_back(0);21 }else{22 if(needle[i] == needle[len[i-1]])23 len.push_back(len[i-1]+1);24 else25 len.push_back(0);26 }27 }28 // KMP finder29 j = 0;30 for(i=0; haystack[i] != 0; ) {31 // matching32 for(; needle[j] != 0; j++) {33 if(haystack[i+j] != needle[j])34 break;35 }36 //finded37 if(needle[j] == 0)38 return i;39 else{ // jump40 if(j){41 cur = j - len[j-1];42 i += cur;43 j = len[j-1];44 }else{45 j = 0;46 i++;47 }48 }49 }50 //match failed51 return -1;52 } 六、KMP算法改进 KMP算法有一些改进版本加速查找,一般可以通过S串中的一些信息加速匹配过程。 比如若 S = 'aaaaaaaafaaaaaaaaaaaab', T = 'aaaaaaab'。 在查找过程中,S中间的 'f' 起到了阻挡作用。但是由于我们只是考虑T的先验信息,遇到'f' 不匹配会导致T每次后移一步进行新的匹配,直到T的开头碰到了'f'。 但是如果我们加入'f'这个原串S的信息,由于 'f' != 'b' && 'f' != 'a' && i-1 = F(i-1) ,所以直接跳到'f'后进行新的匹配会更快速的查找。 但是这些改进都是基于KMP基础算法之上的,因此把握核心要点不仅省时省力,更能有效扩展。 七、参考[1] 《字符串匹配的KMP算法》 http://www./blog/2013/05/Knuth%E2%80%93Morris%E2%80%93Pratt_algorithm.html [2] 算法导论 转载请注明出处~ http://www.cnblogs.com/xiaoboCSer/p/4237941.html |
|