【Java】 大话数据结构(8) 串的模式匹配算法（朴素、KMP、改进算法）

 

本文根据《大话数据结构》一书，实现了Java版的串的朴素模式匹配算法、KMP模式匹配算法、KMP模式匹配算法的改进算法。

1.朴素的模式匹配算法

　　为主串和子串分别定义指针i，j。

　　　　（1）当 i 和 j 位置上的字母相同时，两个指针都指向下一个位置继续比较；

　　　　（2）当 i 和 j 位置上的字母不同时，i 退回上次匹配首位的下一位，j 则返回子串的首位。

（注：该图从下标为1开始 ）

　　实现程序：

/**
 * 朴素的模式匹配算法
 * 说明：下标从0开始，与书稍有不同，但原理一样
 * @author Yongh
 *
 */
public class BruteForce {
	
	 /*
	  * 返回子串t在主串s中第pos个字符后的位置。若不存在返回-1
	  */
	int index(String s,String t,int pos) {
		int i=pos;  //i为主串位置下标
		int j=0;    //j为子串位置下标
		while(i<s.length()&&j<t.length()) {
			if(s.charAt(i)==t.charAt(j)) {
				i++;
				j++;      //i和j指向下一个位置继续比较
			}else {           /*重新匹配*/
				i=i-j+1;  //退回上次匹配首位的下一位
				j=0;      //返回子串的首位
			}
		}
		if(j==t.length()) {
			return i-j;
		}else {
			return -1;
		}
	}
	
	public static void main(String[] args) {
		BruteForce sample =new BruteForce();
		int a= sample.index("goodgoogle", "google", 0);
		System.out.println(a);
	}	
}

　　

4

2.KMP模式匹配算法

2.1 KMP模式匹配算法的主体思路

　　

　　在上图的比较中，当 i 和 j 等于5时，两字符不匹配。在朴素匹配算法中，会令i=1，j=0，然后进行下一步比较；但是，我们其实已经知道了i=1到4的主串情况了，没有必要重复进行i=2到4的比较，且我们观察“ABCABB”的B前面的ABCAB，其前缀与后缀(黄色部分)相同，所以可以直接进行上图中的第三步比较（令 i 不变，令 j 从5变成2，继续进行比较）。这就是KMP模式匹配算法的大概思路。这当中的 j 从5跳转到了2，2通过一个函数next(5)求得，next(5)即代表j=5位置不匹配时要跳转的下一个进行比较的位置。

　　KMP模式匹配算法：

　　为主串和子串分别定义指针 i 和 j 。

　　（1）当 i 和 j 位置上的字母相同时，两个指针都指向下一个位置继续比较；

　　（2）当 i 和 j 位置上的字母不同时，i 不变，j 则返回到next[j]位置重新比较。（暂时先不管next[]的求法，只要记得定义有next[0]=-1）

　　（3）当 j 返回到下标为0时，若当 i 和 j 位置上的字母仍然不同，根据（2），有 j = next[0]=-1，这时只能令 i 和 j 都继续往后移一位进行比较 （同步骤（1））。

　　上述内容可结合下图说明：

　　（1）i 和 j 从下标为0开始比较，该位置两字母相同，i 和 j 往后移继续比较；

　　（2）一直比较到 i 和 j 等于5时，两字母不同， i 不变，j 返回到 next[j]的位置重新比较，该子串的next[5]=2，所以 j 返回到下标为2的位置继续与 i=5的主串字母比较。

　　（3）在下图情况下，当j=0时，两字母不同，子串只能与主串的下一个元素比较了（即i=1与j=0比较）。根据（2），会使 j=next[j]=next[0]=-1，所以现在的i=0，j=next[0]=-1了，要下一步比较的话两个指针都要加一。

　　

　　　根据上述说明可以写出如下代码（代码中的next[]暂时假设已知，之后会讲）：

	/*
	 * 返回子串t在主串s中第pos个字符后的位置(包含pos位置)。若不存在返回-1
	 */
	public int index_KMP(String s, String t, int pos) {
		int i = pos;  //主串的指针
		int j = 0;  //子串的指针
		int[] next = getNext(t);  //获取子串的next数组
		while (i < s.length() && j < t.length()) {
			if (j == -1 || s.charAt(i) == t.charAt(j)) { 
			// j==-1说明了子串首位也不匹配，它是由上一步j=next[0]=-1得到的。
				i++;
				j++;
			} else {
				j = next[j];
			}
		}
		if (j == t.length())
			return i - j;
		return -1;
	}

　　

2.2 next[]的定义与求解

　　根据上述内容可知，next[j] 的含义为：当下标为 j 的元素在不匹配时，j 要跳转的下一个位置下标。

　　继续结合下图说明：

　　当j=5时，元素不匹配，j跳转到next[5]=2的位置重新比较。

　　那为什么next[5]的值为2呢？即，为什么j=5不匹配时要跳转到2位置呢？

　　观察 ABCABB 这个字符串，下标为5的字符为B，它前面的字符 ABCAB 与主串完全相同，而ABCAB的前缀与后缀(黄色部分)相同，，所以前缀AB不用再进行比较了，直接比较C这个字符，即下标为2的字符，所以next[5]=2。

 

　　那么该如何求解跳转位置next[]呢？通过刚才的讨论，我们可以发现next[j]的值等于 j 位置前面字符串的相同前后缀的最大长度，上面例子就是等于AB的长度2。

　　next[]的公式如下：

　　

　　公式说明：

　　　　1.在j=0时，0位置之前没有字符串，next[0]定义为-1 ；

　　　　2. 在 j 位置之前的字符串中，如果有出现前后缀相等的情况，令 j 变为相等部分的最大长度，即刚刚所说的相同前后缀的最大长度。如上述的ABCABB字符串中，j=5时，前面相等部分AB长度为2，所以next[5]=2；

　　　　3.其余情况下，next[j]=0。其他情况，没有出现字符的前后缀相等，相同前后缀的最大长度自然就是0。

　　那求解next[]的代码如何实现呢？以下是代码的分析过程：

　　　　1.定义两个指针 i=0 和 j=-1，分别指向前缀和后缀( j 值始终要比 i 值小)，用于确定相同前后缀的最大长度；（因为 i 是后缀，所以我们求的都是 i+1位置的next值next[i+1])

　　　　2.根据定义有：next[0]=-1;

　　　　3.当前缀中 j 位置的字符和后缀中 i 位置的字符相等时，说明 i+1 位置的next值为 j+1 (因为 j+1 为相同前后缀的最大长度，可结合下面两种情况思考）(即next[i+1]=j+1 )

　

　　　　4.j==-1时，说明前缀没有与后缀相同的地方，最大长度为0，则 i+1 位置的next值只能为0，此时也可以表示为next[i+1]=j+1。

　　　　5.当 j 位置的字符和 i 位置的字符不相等时，说明前缀在第 j 个位置无法与后缀匹配，令 j 跳转到下一个匹配的位置，即 j= next[j] 。

　　以下是实现求解next[]的程序：

	/*
	 * 返回字符串的next数组
	 */
	public int[] getNext(String str) {
		int length = str.length();
		int[] next = new int[length]; //别忘了初始化
		int i = 0;   //i为后缀的指针
		int j = -1;  //j为前缀的指针
		next[0] = -1;
		while (i < length - 1) {         // 因为后面有next[i++],所以不是i<length
			if (j == -1 || str.charAt(i) == str.charAt(j)) { // j == -1代表前后缀没有相等的部分,i+1位置的next值为0			
				next[++i] = ++j;  //等于前缀的长度
			} else {
				j = next[j];
			}
		}
		return next;
	}

　　

2.3 KMP完整代码

　　结合next数组的求解和KMP算法，完整代码如下：

　　

import java.util.Arrays;

/**
 * KMP模式匹配算法 
 * 返回子串t在主串s中第pos个字符后的位置。若不存在返回-1 要注意i不变，只改变j
 * 
 * @author Yongh
 *
 */
public class KMP {
	/*
	 * 返回字符串的next数组
	 */
	public int[] getNext(String str) {
		int length = str.length();
		int[] next = new int[length];  //别忘了初始化
		int i = 0;   //i为后缀的指针
		int j = -1;  //j为前缀的指针
		next[0] = -1;
		while (i < length - 1) {         // 因为后面有next[i++],所以不是i<length
			if (j == -1 || str.charAt(i) == str.charAt(j)) { // j == -1代表前后缀没有相等的部分,i+1位置的next值为0			
				next[++i] = ++j;  //等于前缀的长度
			} else {
				j = next[j];
			}
		}
		return next;
	}

	/*
	 * 返回子串t在主串s中第pos个字符后的位置(包含pos位置)。若不存在返回-1
	 */
	public int index_KMP(String s, String t, int pos) {
		int i = pos;  //主串的指针
		int j = 0;    //子串的指针
		int[] next = getNext(t);  //获取子串的next数组
		while (i < s.length() && j < t.length()) {
			if (j == -1 || s.charAt(i) == t.charAt(j)) { 
			// j==-1说明了子串首位也不匹配，它是由j=next[0]=-1得到的。
				i++;
				j++;
			} else {
				j = next[j];
			}
		}
		if (j == t.length())
			return i - j;
		return -1;
	}

	public static void main(String[] args) {
		KMP aKmp = new KMP();
		System.out.println(Arrays.toString(aKmp.getNext("BBC")));
		System.out.println(Arrays.toString(aKmp.getNext("ABDABC")));
		System.out.println(Arrays.toString(aKmp.getNext("ababaaaba")));		
		System.out.println(aKmp.index_KMP("goodgoogle", "google", 0));
	}
}

　　

[-1, 0, 1]
[-1, 0, 0, 0, 1, 2]
[-1, 0, 0, 1, 2, 3, 1, 1, 2]
4

2.4 一道题目

已知字符串S为abaabaabacacaabaabcc,模式串P为abaabc。采用KMP算法进行匹配，第一次出现“失配”（S[i]≠P[j]）时，i=j=5,则下次开始匹配时，i和j的值分别是：C。 
A. i = 1, j = 0 
B. i = 5, j = 0 
C.i = 5, j = 2 
D. i = 6, j = 2

 　　分析：模式串就是之前所说的子串，i 和 j 是之前所说的指针。根据刚刚的分析中，出现失配时，指针 i 是不会变动的，只会变 j，j=next[j]。next[j]的物理意义是 j 位置前面字符串的相同前后缀的最大长度，我们可以发现abaabc中c前面的字符串中相同前后缀为ab,长度为2，所以直接可以选出答案为C。

推荐阅读：
　　从头到尾彻底理解KMP（2014年8月22日版）

　　字符串匹配的KMP算法

　　超详细理解：kmp算法next数组求解过程和回溯的含义

3.KMP模式匹配算法改进

　　对于如下字符串，j=3时，next[j]=1，根据next的定义，即当 j=3位置不匹配时，j跳转到1位置重新比较，但可以发现，j=2位置和j=1位置其实是同一个字母，没有必要重复比较。

　　举个例子，在KMP算法下的比较过程如下（按图依次进行）：

　　  

　　因为有next[3]=1，所以会出现中间这个其实可以省略掉的过程。实际上我们是可以直接跳到j=0那一步进行比较的，这就需要修改next数组，我们把新的数组记为nextval数组。

　　中间那步可以省略是因为，j=3和 j=1位置上的字符是完全相同的，因此没有必要再进行比较了。因此只需要在原有的next程序中加上一个字符是否相等的判断，如果要跳转的nextval位置上的字符于当前字符相等，令当前字符的nextval值等于要跳转位置上的nextval值。

　　KMP模式匹配算法的改进程序如下:

import java.util.Arrays;

/**
 * KMP模式匹配算法 的改进算法
 * 返回子串t在主串s中第pos个字符后的位置。若不存在返回-1 要注意i不变，只改变j
 * 
 * @author Yongh
 *
 */
public class KMP2 {
	/*
	 * 返回字符串的next数组
	 */
	public int[] getNextval(String str) {
		int length = str.length();
		int[] nextval = new int[length];
        int i = 0;   //i为后缀的指针
        int j = -1;  //j为前缀的指针
		nextval[0] = -1;
		while (i < length - 1) {         
			if (j == -1 || str.charAt(i) == str.charAt(j)) { 	
				i++;
				j++;
				if(str.charAt(i)!=str.charAt(j)) { //多了一个字符是否相等的判断
					nextval[i] = j;  //等于前缀的长度
				}else {
					nextval[i]=nextval[j];    
				}	
			} else {
				j = nextval[j];
			}
		}
		return nextval;
	}

	/*
	 * 返回子串t在主串s中第pos个字符后的位置(包含pos位置)。若不存在返回-1
	 */
	public int index_KMP(String s, String t, int pos) {
		int i = pos;  //主串的指针
		int j = 0;  //子串的指针
		int[] next = getNextval(t);  //获取子串的next数组
		while (i < s.length() && j < t.length()) {
			if (j == -1 || s.charAt(i) == t.charAt(j)) { 
			// j==-1说明了子串首位也不匹配，它是由j=next[0]=-1得到的。
				i++;
				j++;
			} else {
				j = next[j];
			}
		}
		if (j == t.length())
			return i - j;
		return -1;
	}

	public static void main(String[] args) {
		KMP2 aKmp = new KMP2();
		System.out.println(Arrays.toString(aKmp.getNextval("BBC")));
		System.out.println(Arrays.toString(aKmp.getNextval("ABDABC")));
		System.out.println(Arrays.toString(aKmp.getNextval("ababaaaba")));		
		System.out.println(aKmp.index_KMP("goodgoogle", "google", 0));
	}
}

　　

[-1, -1, 1]
[-1, 0, 0, -1, 0, 2]
[-1, 0, -1, 0, -1, 3, 1, 0, -1]
4

 　　改进的算法仅在第24到28行代码发生了改变。

 

　　图中这句话可以结合下表仔细体会。（要记得nextval[j]的含义：j位置的字符未匹配时要跳转的下一个位置）

附：

　　　　要记住上面的算法，一定要记住指针 i 和 j 代表的意义，j==-1的意义，以及next的意义。

　　　　(getNext()中前缀位置和后缀位置，index_KMP()中主串位置和子串位置)，（前缀或子串的首个字符就无法匹配），（要跳转的下一个位置）

　　       还有要注意的就是，i为后缀，我们求的是下一个位置的next值，即next[i+1]。