字符串匹配算法
字符串匹配想必任何人都不会陌生吧, 今天介绍两种字符串匹配中的常用算法
BF(Brute Force)
强制匹配, 没有什么技术含量, 从头到尾逐个逐个调用
strncmp这样的函数比较
绝大多数时候, 使用这种方法就够了, 代码如下
/*Brute Force string match*/
bool BF(char *main, char *pattern)
{
int mlen = strlen(main);
int plen = strlen(pattern);
for(int i = 0; i <= (mlen - plen); i++)
{
if(0 == strncmp(main + i, pattern, plen)) {
//printf("BF match succ: index = %d\n", i, GetTickCount());
return true;
}
}
return false;
}
时间复杂度O(m*n), (m-n+1)个点被访问, 每次需要比较n个字符(m为主串长度,n为子串长度)
RK(Rabin Karp)算法
通过
hash的方式减少比较, 不过hash的方式有点巧妙
假设我们只有a-z这26个字母, 我们可以将这个字符串变为一个26进制的数
abc -> 012 -> 0*26*26 + 1*26 + 2
这基本的换算, 程序员应该都是明白的, 以这样的方式进行如果`hash`的结果相同, 那么字符串也一定相同,
但是实际当中必然要考虑到冲突的问题以及最大数超出的问题(我在测试的时候, 生成的字符串间隔为65, 长度为20, 这样的数字根本无法保存在C语言中的类型里面), 于是采用了一种取巧的方式(每个数字相加)
abc -> 012 -> 0 + 1 + 2
这样要求我们在`hash`值相同的情况下, 还是要比较一下字符串, 但是已经可以减少字符串比较了
/*Rabin Karp算法*/
bool RK(const char *main, const char *pattern)
{
int mlen = strlen(main);
int plen = strlen(pattern);
int target = 0;
for(int i = 0; i < plen; i++)
{
target += (pattern[i] - ' ');
}
int last = 0;
for(int i = 0; i <= (mlen - plen); i++)
{
if(last > 0)
{
last = last - (main[i-1] - ' ') + (main[i+plen-1] - ' ');
}
else
{
for(int j = 0; j < plen; j++)
{
last += (main[i+j] - ' ');
}
}
if(last == target && 0 == strncmp(main+i, pattern, plen))
{
//printf("RX match succ: index = %d\n", i);
return true;
}
}
//printf("BF match fail!\n");
return false;
}
时间复杂度变为O(m)
BM(boyer moore)算法
BM算法也是一种字符串匹配算法, 分别包含坏字符规则和好后缀规则
假设主串main长度为m, 模式串pattern长度为n
坏字符规则
a b c d a b c d
a b d
对于这样的一个匹配, 对于BF算法来说每次移动一位, 但是我们实质上可以一次移动3位, 而不必担心错过
a b c d a b c d
a b c
因为c在匹配字符串中不存在, 移动1,2位都绝对不可能成功匹配
坏字符规则指的是:
a b c d e f g
c b a d
对于这样的一个匹配过程来说, 当我们遍历pattern从后往前, pattern[j]是不匹配的(j=2), 然后从后往前第一个匹配的字符是pattern[i](i=0), 那我们可以直接移动j-i位, 而不担心错误误判
算法说明
我们可以事先记录以下每一个字符对应的位置(相同的字符以下标大的为准), ASCII字符也不过100多个. 这一步的时间复杂度和空间复杂度均为 O(n).
代码在之后一并给出, 需要说明如果单纯的只有坏字符规则,其效率未必会比BF算法来的好, 第一其最小也可能之移动一位, 第二BF算法可以使用
strcmp或者memcmp等算法(strcmp采用四字节一比较), 实际效率难以考量
好后缀
a b c d e f g h i j k
f g e d h f g
对于这样的一个字符串比较, 如果使用坏字符规则, 其可以移动2个字节(e字符)
但是我们要注意, fg两个字符是已经匹配相等的, 我们可以非常清楚的看到移动两个字节是绝对不可能成功的, 因为fg不匹配
好后缀的规则是:
第一, 对于以上的字符串匹配, 假设已经存在一段字符串fg成功匹配(在第一个不匹配的字符h之后), 那么我们类似于坏字符也必须要在pattern前部分f g e d之中找到和fg相匹配的子串才有可能成功
移动如下:
a b c d e f g h i j k
f g e d h f g
或者, 在pattern中找到和匹配字符串efg的后缀子串相匹配的前缀子串, 如下
a b c d e f g h i j k
f g c c e f g
移动如下
a b c d e f g h i j k
f g c c e f g
算法说明
我们需要也必须提前生成一些数据, 如果每次计算那么其优势就不大了; 我们必须记录每一个后缀子串 与之 相同的其他子串 的起始下标
思路是: 可以用一个int数组, key为后缀子串的长度, value为相匹配子串的起始下标(如果有多个,记录下标大的); 如果存在匹配的起始下标为0 的子串, 那么该后缀子串可以考虑好后缀规则的第二条, 可以用一个bool类型数组, key为后缀子串的长度
这里空间复杂度是O(p), 时间复杂度O(n^2)
全部代码
算法思路都已经说明了, 不过实际写代码可能涉及到很多的下标和距离计算(C以0开头的吗), 建议手写画图理解一下
/*Brute Force string match*/
bool BF(char *main, char *pattern)
{
int mlen = strlen(main);
int plen = strlen(pattern);
for(int i = 0; i <= (mlen - plen); i++)
{
if(0 == strncmp(main + i, pattern, plen)) {
//printf("BF match succ: index = %d\n", i, GetTickCount());
return true;
}
}
return false;
}
/*Rabin Karp算法*/
bool RK(const char *main, const char *pattern)
{
int mlen = strlen(main);
int plen = strlen(pattern);
int target = 0;
for(int i = 0; i < plen; i++)
{
target += (pattern[i] - ' ');
}
int last = 0;
for(int i = 0; i <= (mlen - plen); i++)
{
if(last > 0)
{
last = last - (main[i-1] - ' ') + (main[i+plen-1] - ' ');
}
else
{
for(int j = 0; j < plen; j++)
{
last += (main[i+j] - ' ');
}
}
if(last == target && 0 == strncmp(main+i, pattern, plen))
{
//printf("RX match succ: index = %d\n", i);
return true;
}
}
//printf("BF match fail!\n");
return false;
}
void generateBC(const char* pattern, int bc[])
{
for(int i = 0; i < strlen(pattern); i++)
{
bc[(int)pattern[i]] = i;
}
}
void generateGS(const char* pattern, int suffix[], bool prefix[])
{
int plen = strlen(pattern);
for(int i = 0; i < plen; i++)
{
suffix[i] = -1;
prefix[i] = false;
}
for(int i = 0; i < plen - 1; i++)
{
int j = i;
int k = 0;
while(j >= 0 && pattern[j] == pattern[plen - k - 1])
{
k++;
j--;
suffix[k] = j + 1;
}
if(j == -1)
{
prefix[k] = true;
}
}
}
int moveByGS(int j, int plen, int suffix[], bool prefix[])
{
int k = plen - j - 1; //后缀的长度
if(suffix[k] != -1)
{
return j - suffix[k] + 1;
}
for(int i = j + 2; i < plen; i++)
{
if(prefix[plen - i])
{
return i;
}
}
return plen;
}
/*boyer moore
* bad char rule
* good suffic shift
* */
bool BM(const char *main, const char *pattern)
{
int bc[128] = { -1 };
generateBC(pattern, bc);
int i = 0;
int mlen = strlen(main);
int plen = strlen(pattern);
int *suffix = new int[plen];
bool *prefix = new bool[plen];
generateGS(pattern, suffix, prefix);
while(i < (mlen - plen)) {
int j;
/*模式串从后往前匹配*/
for (j = plen - 1; j >= 0; j--)
{
if (main[i + j] != pattern[j])
{
//坏字符对应的下边为j
break;
}
}
if (j < 0)
{
//printf("BM match succ: index = %d\n", i);
return true; //匹配成功
}
int update = j - bc[(int) main[i+j]];
if(j < plen - 1)
{
int GSupdate = moveByGS(j, plen, suffix, prefix);
if(GSupdate > update)
{
update = GSupdate;
}
}
i += update;
}
return false;
}
/*create a random string and it's a substring
* between 64-126
* */
static void random_string(char main[], int mlen, char sub[], int slen)
{
srand(time(NULL));
for(int i = 0; i < mlen; i++)
{
int r = rand() % (126 - 64) +64;
main[i] = (char)r;
}
int r = rand() % (mlen - slen + 1);
r = r % (mlen /2) + mlen / 2;
strncpy(sub, main + r, slen);
printf("main string: %s\nsub string: %s\n", main, sub);
}
int main()
{
char mains[30000] = { 0 };
char subs[101] = { 0 };
random_string(mains, 29999, subs, 100);
DWORD start = GetTickCount();
for(int i = 0; i< 1000; i++)
{
BF(mains, subs);
}
printf("BF time: %ld\n", GetTickCount() - start);
start = GetTickCount();
for(int i = 0; i< 1000; i++)
{
RK(mains, subs);
}
printf("RK time: %ld\n", GetTickCount() - start);
start = GetTickCount();
for(int i = 0; i< 1000; i++)
{
BM(mains, subs);
}
printf("BM time: %ld\n", GetTickCount() - start);
return 0;
}
时间计算
GetTickCount()
windows下可以相减计算毫秒数
gettimeofday()
Linux下可以获得微妙级别
测试结果
windows下运行
30000字节(1000次, 匹配100个)
BF time: 235
RK time: 188
BM time: 15
BF time: 203
RK time: 94
BM time: 16
10000字节
BF time: 62
RK time: 31
BM time: 0
BF time: 47
RK time: 31
BM time: 0
3000字节(10000次)
BF time: 156
RK time: 94
BM time: 31
BF time: 141
RK time: 78
BM time: 31
199字节(10000次, 匹配20个)
BF time: 109
RK time: 94
BM time: 93
BF time: 140
RK time: 78
BM time: 141
结论
对于超长字符串匹配, BM算法优势还是很大的, 比如文本的查找功能, 不过如果不是这么复杂的情况, 简单点就好, 如果有问题欢迎指正, 这里也没测试的特别详细
