字符串匹配的KMP算法

字符串匹配是计算机的基本任务之一。

举例来说,有一个字符串"BBC ABCDAB
ABCDABCDABDE",我想知道,里面是否包含另一个字符串"ABCDABD"?

3873cf64c3e0b7e2d07ece79e4658f9e.jpeg
许多算法可以完成这个任务,Knuth-Morris-Pratt算法(简称KMP)是最常用的之一。它以三个发明者命名,起头的那个K就是著名科学家Donald
Knuth。

5546c38fdba8d798367a2d9eab408a8a.jpeg
这种算法不太容易理解,网上有很多解释,但读起来都很费劲。直到读到[Jake
Boxer](http://jakeboxer.com/blog/2009/12/13/the-knuth-morris-pratt-algorithm-in-my-own-words/)的文章,我才真正理解这种算法。下面,我用自己的语言,试图写一篇比较好懂的KMP算法解释。

1.

da0cc24ba09280b2b4ce749e402197a1.png
首先,字符串"BBC ABCDAB
ABCDABCDABDE"的第一个字符与搜索词"ABCDABD"的第一个字符,进行比较。因为B与A不匹配,所以搜索词后移一位。

2.

4631b98c743be1e671ed9040de01fc54.png
因为B与A不匹配,搜索词再往后移。

3.

bbdb9fdcca8d944700f22657fa609c46.png
就这样,直到字符串有一个字符,与搜索词的第一个字符相同为止。

4.

6a9a8ef979fdc8a8dddf84191c1f768a.png
接着比较字符串和搜索词的下一个字符,还是相同。

5.

3b4211ef2d3d1d7670166685cc1c7b79.png
直到字符串有一个字符,与搜索词对应的字符不相同为止。

6.

7581ab6abcb53de6d0dbf94e1a8e62ac.png
这时,最自然的反应是,将搜索词整个后移一位,再从头逐个比较。这样做虽然可行,但是效率很差,因为你要把"搜索位置"移到已经比较过的位置,重比一遍。

7.

3b4211ef2d3d1d7670166685cc1c7b79.png
一个基本事实是,当空格与D不匹配时,你其实知道前面六个字符是"ABCDAB"。KMP算法的想法是,设法利用这个已知信息,不要把"搜索位置"移回已经比较过的位置,继续把它向后移,这样就提高了效率。

8.

afd7e9c1fae793a72a32f99b198d6f80.png
怎么做到这一点呢?可以针对搜索词,算出一张《部分匹配表》(Partial Match
Table)。这张表是如何产生的,后面再介绍,这里只要会用就可以了。

9.

3b4211ef2d3d1d7670166685cc1c7b79.png
已知空格与D不匹配时,前面六个字符"ABCDAB"是匹配的。查表可知,最后一个匹配字符B对应的"部分匹配值"为2,因此按照下面的公式算出向后移动的位数:

移动位数 = 已匹配的字符数 - 对应的部分匹配值

因为 6 - 2 等于4,所以将搜索词向后移动4位。

10.

02ba6174ffb3a5d2284b71e5687dd263.png
因为空格与C不匹配,搜索词还要继续往后移。这时,已匹配的字符数为2("AB"),对应的"部分匹配值"为0。所以,移动位数
= 2 - 0,结果为 2,于是将搜索词向后移2位。

11.

7b4496e3ea8cad74657e509b29e66b87.png
因为空格与A不匹配,继续后移一位。

12.

76a972d7ee18bce42f8a2b586b247529.png
逐位比较,直到发现C与D不匹配。于是,移动位数 = 6 - 2,继续将搜索词向后移动4位。

13.

3f98100263eeacd8b7c2d3c7ae34ba97.png
逐位比较,直到搜索词的最后一位,发现完全匹配,于是搜索完成。如果还要继续搜索(即找出全部匹配),移动位数
= 7 - 0,再将搜索词向后移动7位,这里就不再重复了。

14.

c1f94bc92f68db2ad0c08062f33f73d5.png
下面介绍《部分匹配表》是如何产生的。

首先,要了解两个概念:"前缀"和"后缀"。
"前缀"指除了最后一个字符以外,一个字符串的全部头部组合;"后缀"指除了第一个字符以外,一个字符串的全部尾部组合。

15.

afd7e9c1fae793a72a32f99b198d6f80.png
"部分匹配值"就是"前缀"和"后缀"的最长的共有元素的长度。以"ABCDABD"为例,

- "A"的前缀和后缀都为空集,共有元素的长度为0;

- "AB"的前缀为[A],后缀为[B],共有元素的长度为0;

- "ABC"的前缀为[A, AB],后缀为[BC, C],共有元素的长度0;

- "ABCD"的前缀为[A, AB, ABC],后缀为[BCD, CD, D],共有元素的长度为0;

- "ABCDA"的前缀为[A, AB, ABC, ABCD],后缀为[BCDA, CDA, DA,
A],共有元素为"A",长度为1;

- "ABCDAB"的前缀为[A, AB, ABC, ABCD, ABCDA],后缀为[BCDAB, CDAB, DAB, AB,
B],共有元素为"AB",长度为2;

- "ABCDABD"的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB],后缀为[BCDABD, CDABD,
DABD, ABD, BD, D],共有元素的长度为0。

16.

76a972d7ee18bce42f8a2b586b247529.png
"部分匹配"的实质是,有时候,字符串头部和尾部会有重复。比如,"ABCDAB"之中有两个"AB",那么它的"部分匹配值"就是2("AB"的长度)。搜索词移动的时候,第一个"AB"向后移动4位(字符串长度-部分匹配值),就可以来到第二个"AB"的位置。

(完)