这可能是全网最好的字符串匹配算法讲解
共 4687字,需浏览 10分钟
·
2021-03-31 23:11
点击上方 好好学java ,选择 星标 公众号
重磅资讯,干货,第一时间送达 今日推荐:14 个 github 项目!
个人原创100W +访问量博客:点击前往,查看更多
![](https://filescdn.proginn.com/a081cf617e61c31d08274e376dadae0b/9d2abb4e3ea461abdf2a173e7dc54e42.webp)
为保证代码严谨性,文中所有代码均在 leetcode 刷题网站 AC ,大家可以放心食用。
皇上生辰之际,举国同庆,袁记菜馆作为天下第一饭店,所以被选为这次庆典的菜品供应方,这次庆典对于袁记菜馆是一项前所未有的挑战,毕竟是第一次给皇上庆祝生辰,稍有不慎就是掉脑袋的大罪,整个袁记菜馆内都在紧张的布置着。此时突然有一个店小二慌慌张张跑到袁厨面前汇报,到底发生了什么事,让店小二如此慌张呢?
袁记菜馆内
店小二:不好了不好了,掌柜的,出大事了。
袁厨:发生什么事了,慢慢说,如此慌张,成何体统。(开店开久了,架子出来了哈)
店小二:皇上按照咱们菜单点了 666 道菜,但是咱们做西湖醋鱼的师傅请假回家结婚了,不知道皇上有没有点这道菜,如果点了这道菜,咱们做不出来,那咱们店可就完了啊。
(袁厨听了之后,吓得一屁股坐地上了,缓了半天说道)
袁厨:别说那么多了,快给我找找皇上点的菜里面,有没有这道菜!
找了很久,并且核对了很多遍,最后确认皇上没有点这道菜。菜馆内的人都松了一口气
通过上面的一个例子,让我们简单了解了字符串匹配,下面我们一起来详细了解一下吧。
字符串匹配:设 S 和 T 是给定的两个串,在主串 S 中找到模式串 T 的过程称为字符串匹配,如果在主串 S 中找到模式串 T ,则称匹配成功,函数返回 T 在 S 中首次出现的位置,否则匹配不成功,返回 -1。
例:
![](https://filescdn.proginn.com/ed3e23668d85cd7305311db56042599e/541c376ee35d18770e386591c454e3f3.webp)
在上图中,我们试图找到模式串 T = baab,在主串 S = abcabaabcabac 中第一次出现的位置,即为红色阴影部分, T 第一次在 S 中出现的位置下标为 4 ( 字符串的首位下标是 0 ),所以返回 4。如果模式串 T 没有在主串 S 中出现,则返回 -1。
解决上面问题的算法我们称之为字符串匹配算法,今天我们来介绍三种字符串匹配算法,大家记得打卡呀,说不准面试的时候就问到啦。
BF算法(Brute Force)
这个算法很容易理解,就是我们将模式串和主串进行比较,一致时则继续比较下一字符,直到比较完整个模式串。不一致时则将模式串后移一位,重新从模式串的首位开始对比,重复刚才的步骤下面我们看下这个方法的动图解析,看完肯定一下就能搞懂啦。
通过上面的代码是不是一下就将这个算法搞懂啦,下面我们用这个算法来解决下面这个经典题目吧。
leetcdoe 28. 实现 strStr()
题目描述
给定一个 haystack 字符串和一个 needle 字符串,在 haystack 字符串中找出 needle 字符串出现的第一个位置 (从0开始)。如果不存在,则返回 -1。
示例 1:
输入: haystack = "hello", needle = "ll" 输出: 2
示例 2:
输入: haystack = "aaaaa", needle = "bba" 输出: -1
题目解析
其实这个题目很容易理解,但是我们需要注意的是一下几点,比如我们的模式串为 0 时,应该返回什么,我们的模式串长度大于主串长度时,应该返回什么,也是我们需要注意的地方。下面我们来看一下题目代码吧。
题目代码
我们看一下BF算法的另一种算法(显示回退),其实原理一样,就是对代码进行了一下修改,只要看完咱们的动图,这个也能够一下就能看懂,大家可以结合下面代码中的注释和动图进行理解。
BM算法(Boyer-Moore)
我们刚才说过了 BF 算法,但是 BF 算法是有缺陷的,比如我们下面这种情况
![](https://filescdn.proginn.com/e2e35953400f5760acd9caee9e70af4c/5f68213f290e05cad9c2637f3fced32c.webp)
如上图所示,如果我们利用 BF 算法,遇到不匹配字符时,每次右移一位模式串,再重新从头进行匹配,我们观察一下,我们的模式串 abcdex 中每个字符都不一样,但是我们第一次进行字符串匹配时,abcde 都匹配成功,到 x 时失败,又因为模式串每位都不相同,所以我们不需要再每次右移一位,再重新比较,我们可以直接跳过某些步骤。如下图
![](https://filescdn.proginn.com/336361ab6d5e10f577dac45908c8e728/1b1935f2069dae678f39b15f8874688d.webp)
我们可以跳过其中某些步骤,直接到下面这个步骤。那我们是依据什么原则呢?
![](https://filescdn.proginn.com/c2add9abf6e82a6b5a5ab3b108f9d822/024636ae0460350659a22c1cd33e894e.webp)
坏字符规则
我们之前的 BF 算法是从前往后进行比较 ,BM 算法是从后往前进行比较,我们来看一下具体过程,我们还是利用上面的例子。
![](https://filescdn.proginn.com/9061769f6bc74c6ea3088e43383c70b4/c790314d50ddc888513b5fb9cdb6e74e.webp)
BM 算法是从后往前进行比较,此时我们发现比较的第一个字符就不匹配,我们将主串这个字符称之为坏字符,也就是 f ,我们发现坏字符之后,模式串 T 中查找是否含有该字符 f,我们发现并不存在 f,此时我们只需将模式串右移到坏字符的后面一位即可。如下图
![](https://filescdn.proginn.com/eb17df7f710640ad66f0bb657e543e64/52d39858f3162a60f92aa786a52beae9.webp)
那我们在模式串中找到坏字符该怎么办呢?见下图
![](https://filescdn.proginn.com/65780495530a64e23fb5db348e4564b8/5bcb812107e18f5e2e6ef720cf63b3c7.webp)
此时我们的坏字符为 f , 我们在模式串中,查找发现含有坏字符 f ,我们则需要移动模式串 T ,将模式串中的 f 和坏字符对齐。见下图。
![](https://filescdn.proginn.com/c34c6196bd6ea14704fd6dac8e17a972/af5bd4e3ba06904abd7e512d663f747c.webp)
然后我们继续从右往左进行比较,发现 d 为坏字符,则需要将模式串中的 d 和坏字符对齐。
![](https://filescdn.proginn.com/2081a5b854ed4af6e4dfde0ee8d441f1/07c96d99b1cf1ce81f3be1bdab0169cd.webp)
![](https://filescdn.proginn.com/7793b165af47eeb5c28da6e8a761c544/e838614ff3a855112dc29a7fa0dffce2.webp)
那么我们在来思考一下这种情况,那就是模式串中含有多个坏字符怎么办呢?
![](https://filescdn.proginn.com/d812595190d6cb1bbc535519d17efc02/019923f48b168f491a7eb68f365d2d80.webp)
那么我们为什么要让最靠右的对应元素与坏字符匹配呢?如果上面的例子我们没有按照这条规则看下会产生什么问题。
![](https://filescdn.proginn.com/37111a88445b64cb88e540588f328ef3/1cb362a4f600f1e5f768876950116e72.webp)
如果没有按照我们上述规则,则会漏掉我们的真正匹配。我们的主串中是含有 babac 的,但是却没有匹配成功,所以应该遵守最靠右的对应字符与坏字符相对的规则。
我们上面一共介绍了三种移动情况,分别是下方的模式串中没有发现与坏字符对应的字符,发现一个对应字符,发现两个。这三种情况我们分别移动不同的位数,那我们是根据依据什么来决定移动位数的呢?下面我们给图中的字符加上下标。见下图
![](https://filescdn.proginn.com/bcd1ddd30474a606d897533374b3870e/be1d5b67a44c9426f1226ad2aa7fea17.webp)
下面我们来考虑一下这种情况。
![](https://filescdn.proginn.com/9366803069a8cbd74b44ab2ebf5b4483/c17da4f6b77446458f655cfbe173df0e.webp)
此时这种情况肯定是不行的,不往右移动,甚至还有可能左移,那么我们有没有什么办法解决这个问题呢?继续往下看吧。
好后缀规则
好后缀其实也很容易理解,我们之前说过 BM 算法是从右往左进行比较,下面我们来看下面这个例子。
![](https://filescdn.proginn.com/4cfbe34e5d69a7345a6eac64717e8aec/d6019852e0ef9d06c12bbadd271e9d3f.webp)
这里如果我们按照坏字符进行移动是不合理的,这时我们可以使用好后缀规则,那么什么是好后缀呢?
BM 算法是从右往左进行比较,发现坏字符的时候此时 cac 已经匹配成功,在红色阴影处发现坏字符。此时已经匹配成功的 cac 则为我们的好后缀,此时我们拿它在模式串中查找,如果找到了另一个和好后缀相匹配的串,那我们就将另一个和好后缀相匹配的串 ,滑到和好后缀对齐的位置。
是不是感觉有点拗口,没关系,我们看下图,红色代表坏字符,绿色代表好后缀
![](https://filescdn.proginn.com/adb88941988e8a4446afcedbe64e912c/4a6df4ad757fbb89852a15d5a3a1982a.webp)
![](https://filescdn.proginn.com/ee1388bf5d54ac09603ad10b1596e652/b89a469ed8753beb5b9fb22986e8cedd.webp)
上面那种情况搞懂了,但是我们思考一下下面这种情况
![](https://filescdn.proginn.com/a23f6c8436b7122bd2db73c7f28d0845/93be518f7b89e2ff012083048cf7ccad.webp)
上面我们说到了,如果在模式串的头部没有发现好后缀,发现好后缀的子串也可以。但是为什么要强调这个头部呢?
我们下面来看一下这种情况
![](https://filescdn.proginn.com/2f529de1dd8b53bd0ceb67bdb9f53fb9/6243b0ebe7d5d6cbd7f3f2944295c45e.webp)
但是当我们在头部发现好后缀的子串时,是什么情况呢?
![](https://filescdn.proginn.com/44ca3995f6a1368cd81be21a38894778/067efa98304577d779382b0a339696f0.webp)
下面我们通过动图来看一下某一例子的具体的执行过程
说到这里,坏字符和好后缀规则就算说完了,坏字符很容易理解,我们对好后缀总结一下
1.如果模式串含有好后缀,无论是中间还是头部可以按照规则进行移动。如果好后缀在模式串中出现多次,则以最右侧的好后缀为基准。
2.如果模式串头部含有好后缀子串则可以按照规则进行移动,中间部分含有好后缀子串则不可以。
3.如果在模式串尾部就出现不匹配的情况,即不存在好后缀时,则根据坏字符进行移动,这里有挺多文章没有提到,是个需要特别注意的地方,我是在这个论文里找到答案的,感兴趣的同学可以看下。
Boyer R S,Moore J S. A fast string searching algorithm[J]. Communications of the ACM,1977,10:762-772.
之前我们刚开始说坏字符的时候,是不是有可能会出现负值的情况,即往左移动的情况,所以我们为了解决这个问题,我们可以分别计算好后缀和坏字符往后滑动的位数(好后缀存在时),然后取两个数中最大的,作为模式串往后滑动的位数。
![](https://filescdn.proginn.com/63c868957bb5cda3b02d5610b850db40/a2f3f5b2f2d40b5314c192abfc86da0b.webp)
这破图画起来是真费劲啊。下面我们来看一下算法代码,代码有点长,我都标上了注释也在网站上 AC 了,如果各位感兴趣可以看一下,不感兴趣的话,理解坏字符和好后缀规则即可。可以直接跳到 KMP 部分
我们来理解一下我们代码中用到的两个数组,因为两个规则的移动位数,只与模式串有关,与主串无关,所以我们可以提前求出每种情况的移动情况,保存到数组中。
![](https://filescdn.proginn.com/cd697edc671d2bb8dae0976df421cc1f/70e27ac331836f68e2258790d5cf4000.webp)
KMP算法(Knuth-Morris-Pratt)
我们刚才讲了 BM 算法,虽然不是特别容易理解,但是如果你用心看的话肯定可以看懂的,我们再来看一个新的算法,这个算法是考研时必考的算法。实际上 BM 和 KMP 算法的本质是一样的,你理解了 BM 再来理解 KMP 那就是分分钟的事啦。
我们先来看一个实例
注:为了让读者更容易理解,我们将指针移动改成了模式串移动,两者相对与主串的移动是一致的,重新比较时都是从指针位置继续比较。
通过上面的实例是不是很快就能理解 KMP 算法的思想了,我们继续往下看。
在上面的例子中我们提到了一个名词,最长公共前后缀,这个是什么意思呢?下面我们通过一个较简单的例子进行描述。
![](https://filescdn.proginn.com/5f8f2dc29962c22d258e03336ad4e6e8/6a88b2b097cd958bbe4b7099f1f5815d.webp)
此时我们在红色阴影处匹配失败,绿色为匹配成功部分,则我们观察匹配成功的部分。
我们来看一下匹配成功部分的所有前后缀
![](https://filescdn.proginn.com/0f4f91a72e98dde8ab96228d05845f52/014c3f088f875fb7bbdda74b73a61170.webp)
我们的最长公共前后缀如下图,则我们需要这样移动
![](https://filescdn.proginn.com/d171511f2a8695b7bff147bd7b1ba909/400159d609d2111edf4c8729f8ea8470.webp)
好啦,看完上面的图,KMP的核心原理已经基本搞定了,但是我们现在的问题是,我们应该怎么才能知道他的最长公共前后缀的长度是多少呢?怎么知道移动多少位呢?
刚才我们在 BM 中说到,我们移动位数跟主串无关,只跟模式串有关,跟我们的 bc,suffix,prefix 数组的值有关,我们通过这些数组就可以知道我们每次移动多少位啦,其实 KMP 也有一个数组,这个数组叫做 next 数组,那么这个 next 数组存的是什么呢?
next 数组存的咱们最长公共前后缀中,前缀的结尾字符下标。是不是感觉有点别扭,我们通过一个例子进行说明。
![](https://filescdn.proginn.com/1ffe1ec175965929686194ad4e4252e5/0736aceea1a86501b54ca60345d5147a.webp)
我们知道 next 数组之后,我们的 KMP 算法实现起来就很容易啦,另外我们看一下 next 数组到底是干什么用的。
![](https://filescdn.proginn.com/5dfc9160b14a9fbccfbd6fb8e3be4452/70ef49f827703f2acea8728eccd84393.webp)
![](https://filescdn.proginn.com/c8fee553625cd12128262cc61486874a/ca13345c93cecfea1f9a21c17a9c6869.webp)
剩下的就不用说啦,完全一致啦,咱们将上面这个例子,翻译成和咱们开头对应的动画大家看一下。
下面我们看一下代码,标有详细注释,大家认真看呀。
注:很多教科书的 next 数组表示方式不一致,理解即可
好啦好啦先就写这么多吧,累屁了,剩下的几种就先不写了,觉得这个文章对你有帮助的话,欢迎各位点赞,评论,在看,转发。
推荐文章
更多项目源码