kmp算法简明教程

在字符串s中寻找模式串p的位置,这是一个字符串匹配问题。

举例说明:

 i = 0   1   2   3   4   5   6  7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b  a   a   a   b   a   a   b
 p = a   b   a   a   b
 j = 0   1   2   3   4

在kmp算法发明之前。人们使用这种算法:

'''
原始的求子串位置算法,O( m * n )
'''
def string_index_of( pstr, pattern, pos = 0 ):
    str_index = pos
    pattern_index = 0
    pattern_len = len( pattern )
    while str_index < len( pstr ) and pattern_index < pattern_len:
        if pstr[ str_index ] == pattern[ pattern_index ]:
            str_index += 1
            pattern_index += 1
        else:
            str_index = str_index - pattern_index + 1
            pattern_index = 0
    if pattern_index == pattern_len:
        return str_index - pattern_index
    return -1

pstr = 'i am caochao, i love coding!'
pattern = 'ao'
print( string_index_of( pstr, pattern, 7 ) )
print( pstr.find( pattern ) )

当s[4]与p[4]失配时,主串s回溯到i=1,模式串回溯到j=0,然后从此位置继续匹配。显然这种做法效率低下,假设s长度为n,p长度为m,则其时间复杂度为O(m*n)。

现考虑这样一个问题,当s与p匹配到位置i,j处,s[j]不等于p[j],如果此时保持i不变,p串中从k(0<k<j)处继续匹配,这样无需回溯i的做法这就是我们要讲到的kmp算法。那么应当如何取得这个k值?可以预先求出p中每个失配的j处需要跳转到的位置k(next[j]),这就是kmp算法中的next数组。

kmp算法步骤如下:

1,初始化i,j均为0,

2,依次往后比较s[i]与p[j],若相等则i,j各自加1,否则保持i不变,j=k(next[j])。若某时刻求得j值为-1,i,j也各自加1然后继续匹配

3,重复步骤2

依据上述分析可知,kmp算法中最关键之处在于k值的取法。在匹配进行到s[i]不等于p[j]时,假设应当让s[i]与p[k]继续比较(0<k<j),那么p中前k个字符必须满足,且不能存在k'>k满足等式1:

等式1,p[0,k-1]=s[i-k,i-1]

而在i,j之前已经匹配的字符里存在等式2:

等式2,p[j-k,j-1]=s[i-k,i-1]

由此,可以推出等式3:

等式3,p[0,k-1]=p[j-k,j-1]

至此,k值的取法已经非常明显,即在p串中取最大的k(0<k<j),使得p中开始的k个字符与p[j]之前的k个字符相等。这样就可在s[i]不等于p[j]时,尽可能在距离p[0]远的位置处继续匹配,从而提高匹配效率。

从上面的分析中可以给出k,即next[j]的定义:

1,j=0时,next[j]=-1

2,next[j] = max{k|0<k<j且p[0,k-1]=p[j-k,j-1]}

3,其它情况,next[j]=1

递推求next数组:

从next[j]的定义出发,可以采用递推的方式求得next[j]:

首先,next[0]=-1

令next[j]=k(0<k<j),则表明在p中存在k,且不存在k'>k满足下列关系:

p[0,k-1]=p[j-k,j-1]

那么next[j+1]的取值有3种情况,

1,若p[k]=p[j],则表明在p中存k,且不存在k'>k满足关系p[0,k]=p[j-k,j],那么next[j+1]=k+1,即

next[j+1]=next[j]+1

2,若p[k]不等于p[j],此时可把求next函数的过程看成模式匹配的过程,即p既是主串又是模式串。而在模式匹配过种中,此时应当让p[j]与p[next[k]]继续比较。

为了便于理解,这里令next[k]=k'。

若p[j]=p[k']时,next[j+1]=k'+1,即next[j+1]=next[k]+1,也即

next[j+1]=next[next[j]]+1

同理若p[j]不等于p[k'],那么继续让p[j]与next[k']比较,依次类推,直至k'=-1时:

next[j+1]=0

代码实现如下:

'''
kmp求next[j]数组
'''
def kmp_get_next( pattern ):
    i = 0
    j = -1
    _next = [ 0 ] * len( pattern )
    _next[ 0 ] = -1
    while i < len( pattern ) - 1:
        if j == -1 or pattern[ i ] == pattern[ j ]:
            i += 1
            j += 1
            _next[ i ] = j
        else:
            j = _next[ j ]
    return _next

优化的求next数组方法:

考虑如下模式串:

j       =   0    1    2    3    4
p       =   a    a    a    a    b
next[j] =  -1    0    1    2    3

若某时刻s[i]与p[3]不相等,依据next[3]指示应当让s[i]与p[2]继续比较,因p[3]与p[2]相等,这一步明显是多余的。推广到普遍情况,在求next数组过程中,如果next[i]=j且p[i]=p[j],那么令next[i]=next[j]。代码如下:

'''
kmp求next[j]数组
'''
def kmp_get_next( pattern ):
    i = 0
    j = -1
    _next = [ 0 ] * len( pattern )
    _next[ 0 ] = -1
    while i < len( pattern ) - 1:
        if j == -1 or pattern[ i ] == pattern[ j ]:
            i += 1
            j += 1
            if pattern[ i ] == pattern[ j ]:
                _next[ i ] = _next[ j ]
            else:
                _next[ i ] = j
        else:
            j = _next[ j ]
    return _next

预先求得next[j]数组后,kmp算法代码实现如下:

'''
kmp求子串位置
'''
def kmp_index_of( pstr, pattern, pos = 0 ):
    _next = kmp_get_next( pattern )
    str_index = pos
    pattern_index = 0
    pattern_len = len( pattern )
    while str_index < len( pstr ) and pattern_index < pattern_len:
        if pattern_index == -1 or pstr[ str_index ] == pattern[ pattern_index ]:
            str_index += 1
            pattern_index += 1
        else:
            pattern_index = _next[ pattern_index ]
    if pattern_index == pattern_len:
        return str_index - pattern_index
    return -1

pstr = 'i am caochao, i love coding!'
pattern = 'ao'
print( kmp_index_of( pstr, pattern, 7 ) )
print( pstr.find( pattern ) )

最后,对比下普通算法与kmp算法解决本文开始提出的问题匹配过程:

普通算法:

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p = a   b   a   a   b
 j = 0   1   2   3   4

s[4]不等于p[4],令i=1,j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =     a   b   a   a   b
 j =     0   1   2   3   4

s[1]不等于p[0],令i=2,j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =         a   b   a   a   b
 j =         0   1   2   3   4

s[3]不等于p[1],令i=3,j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =             a   b   a   a   b
 j =             0   1   2   3   4

限于篇幅,略过中间n步,跳至i=9,j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =                                     a   b   a   a   b
 j =                                     0   1   2   3   4

一路i++,j++,直到i=14,跳出循环结束匹配,并返回9。

kmp算法:

p串next数组为:

j       =   0    1    2    3    4
p       =   a    b    a    a    b
next[j] =  -1    0    0    1    1

next数组优化过后变为:

j       =   0    1    2    3    4
p       =   a    b    a    a    b
next[j] =  -1    0   -1    1    0

下面开始匹配:

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p = a   b   a   a   b
 j = 0   1   2   3   4

s[4]不等于p[4],令j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =                 a   b   a   a   b
 j =                 0   1   2   3   4

s[4]不等于p[0],next[0]=-1,因此i,j各自加1。i=5,j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =                     a   b   a   a   b
 j =                     0   1   2   3   4

i++,j++,直到s[9]不等于p[4],令j=0

 i = 0   1   2   3   4   5   6   7   8   9  10  11  12  13
 s = a   b   a   a   c   a   b   a   a   a   b   a   a   b
 p =                                     a   b   a   a   b
 j =                                     0   1   2   3   4

一路i++,j++,直到i=14,跳出循环结束匹配,并返回9。

通过对比可以看出,kmp算法比普通算法快得多,只要预先求出模式串next数组,则整个匹配过程中i无需回溯,时间复杂度亦由普通算法O(m*n)提升为O(m+n)。

posted @ 2014-12-17 09:02 caochao88 阅读(...) 评论(...) 编辑 收藏