KMP簡介
Knuth-Morris-Pratt算法簡稱KMP算法。是常用的字符串匹配算法,這個算法由Donald Knuth、Vaughan Pratt、James H. Morris三人於1977年聯合發表,故取這3人的姓氏命名此算法。
KMP算法流程
算法流程如下:
pattern 表示模式串,text表示文本串
1. pattern第一個字符和text第一個字符對齊,開始逐個字符匹配
2. 如果pattern和text的第一個字符成功匹配上,那麼繼續對pattern和text第二個字符進行匹配。
3. 一直匹配到第一個錯配的位置,這個時候,把pattern和text的對齊位置(下一次匹配第一個字符的位置向後移動一定的長度),這個長度可以通過查表來確定,後面再詳細說明表怎麼構建。
4. 直到找到pattren和text完全匹配的位置。當然,也可能找不到;或者找到多個,對於多個這種情況,直接將pattern後移pattern個長度。
原理
首先,字符串”BBC ABCDAB ABCDABCDABDE”的第一個字符與搜索詞”ABCDABD”的第一個字符,進行比較。因爲B與A不匹配,所以搜索詞後移一位
因爲B與A不匹配,搜索詞再往後移。
就這樣,直到字符串有一個字符,與搜索詞的第一個字符相同爲止。
接着比較字符串和搜索詞的下一個字符,還是相同。
直到字符串有一個字符,與搜索詞對應的字符不相同爲止。
這時,最自然的反應是,將搜索詞整個後移一位,再從頭逐個比較。這樣做雖然可行,但是效率很差,因爲你要把”搜索位置”移到已經比較過的位置,重比一遍。
一個基本事實是,當空格與D不匹配時,你其實知道前面六個字符是”ABCDAB”。KMP算法的想法是,設法利用這個已知信息,不要把”搜索位置”移回已經比較過的位置,繼續把它向後移,這樣就提高了效率。
怎麼做到這一點呢?可以針對搜索詞,算出一張《部分匹配表》(Partial Match Table)。這張表是如何產生的,後面再介紹,這裏只要會用就可以了。
已知空格與D不匹配時,前面六個字符”ABCDAB”是匹配的。查表可知,最後一個匹配字符B對應的”部分匹配值”爲2,因此按照下面的公式算出向後移動的位數:
移動位數 = 已匹配的字符數 - 對應的部分匹配值
仔細想一想,其實減去的對應長度的部分匹配值減去的是pattern尾部存在的部分匹配子串的長度。
就是說pattern字符串除了尾部的部分匹配子串外,pattern前面存在和部分匹配子串一樣的子串,這時候想把前面的子串和text中與pattern後面部分匹配子串完全匹配的位置進行匹配。
因爲 6 - 2 等於4,所以將搜索詞向後移動4位。
因爲空格與C不匹配,搜索詞還要繼續往後移。這時,已匹配的字符數爲2(”AB”),對應的”部分匹配值”爲0。所以,移動位數 = 2 - 0,結果爲 2,於是將搜索詞向後移2位。
因爲空格與A不匹配,繼續後移一位。
逐位比較,直到發現C與D不匹配。於是,移動位數 = 6 - 2,繼續將搜索詞向後移動4位。
逐位比較,直到搜索詞的最後一位,發現完全匹配,於是搜索完成。如果還要繼續搜索(即找出全部匹配),移動位數 = 7 - 0,再將搜索詞向後移動7位,這裏就不再重複了。
算法框架:
def kmp_match(text, pattern):
m = len(text)
n = len(pattern)
cur = 0 #起始指針cur 表示 在text上開始匹配的起始位置
table = partial_table(pattern) #構建部分匹配查詢表
results = [] # 存儲成功匹配的信息
flag = 0
while cur <= m-n:
for i in range(n):
#print i,
if text[i+cur] != pattern[i]:
cur += max(i - table[i-1], 1)#有了部分匹配表,我們不只是單純的1位1位往右移,可以一次移動多位
break
else:
pass
#print text[i+cur],pattern[i]
else:
flag += 1
#print flag
results.append(" "*cur + pattern + " "*(m - n - cur) + " " + str(cur+1) + " " + str(flag))
cur += 1
if flag == 0:
print "No find."
else:
print flag," matching results are listed below."
print "-------" + "-"*m + "-------"
print text
for line in results:
print line
print "-------" + "-"*m + "-------"
構建部分匹配表
面介紹《部分匹配表》是如何產生的。
首先,要了解兩個概念:”前綴”和”後綴”。 “前綴”指除了最後一個字符以外,一個字符串的全部頭部組合;”後綴”指除了第一個字符以外,一個字符串的全部尾部組合。
“部分匹配值”就是”前綴”和”後綴”的最長的共有元素的長度。以”ABCDABD”爲例,
- “A”的前綴和後綴都爲空集,共有元素的長度爲0;
- “AB”的前綴爲[A],後綴爲[B],共有元素的長度爲0;
- “ABC”的前綴爲[A, AB],後綴爲[BC, C],共有元素的長度0;
- “ABCD”的前綴爲[A, AB, ABC],後綴爲[BCD, CD, D],共有元素的長度爲0;
- “ABCDA”的前綴爲[A, AB, ABC, ABCD],後綴爲[BCDA, CDA, DA, A],共有元素爲”A”,長度爲1;
- “ABCDAB”的前綴爲[A, AB, ABC, ABCD, ABCDA],後綴爲[BCDAB, CDAB, DAB, AB, B],共有元素爲”AB”,長度爲2;
- “ABCDABD”的前綴爲[A, AB, ABC, ABCD, ABCDA, ABCDAB],後綴爲[BCDABD, CDABD, DABD, ABD, BD, D],共有元素的長度爲0。
“部分匹配”的實質是,有時候,字符串頭部和尾部會有重複。比如,”ABCDAB”之中有兩個”AB”,那麼它的”部分匹配值”就是2(”AB”的長度)。搜索詞移動的時候,第一個”AB”向後移動4位(字符串長度-部分匹配值),就可以來到第二個”AB”的位置。
def partial_table(pattern):
'''
partial_table("ABCDABD") -> [0, 0, 0, 0, 1, 2, 0]
'''
prefix = set()
postfix = set()
ret = [0]
for i in range(1,len(pattern)):
prefix.add(pattern[:i])
postfix = {pattern[j:i+1] for j in range(1,i+1)}
ret.append(len((prefix&postfix or {''}).pop()))
return ret
整合代碼
# -*- coding: utf-8 -*-
# -*- coding: utf-8 -*-
"""
Created on Thu Jul 28 23:11:27 2016
@author: zang
"""
def partial_table(pattern):
'''
partial_table("ABCDABD") -> [0, 0, 0, 0, 1, 2, 0]
'''
prefix = set()
postfix = set()
ret = [0]
for i in range(1,len(pattern)):
prefix.add(pattern[:i])
postfix = {pattern[j:i+1] for j in range(1,i+1)}
ret.append(len((prefix&postfix or {''}).pop()))
return ret
def kmp_match(text, pattern):
m = len(text)
n = len(pattern)
cur = 0 #起始指針cur 表示 在text上開始匹配的起始位置
table = partial_table(pattern) #構建部分匹配查詢表
results = [] # 存儲成功匹配的信息
flag = 0
while cur <= m-n:
for i in range(n):
#print i,
if text[i+cur] != pattern[i]:
cur += max(i - table[i-1], 1)#有了部分匹配表,我們不只是單純的1位1位往右移,可以一次移動多位
break
else:
pass
#print text[i+cur],pattern[i]
else:
flag += 1
#print flag
results.append(" "*cur + pattern + " "*(m - n - cur) + " " + str(cur+1) + " " + str(flag))
cur += len(pattern)
if flag == 0:
print "No find."
else:
print flag," matching results are listed below."
print "-------" + "-"*m + "-------"
print text
for line in results:
print line
print "-------" + "-"*m + "-------"
def main():
while 1:
text = raw_input("text: ")
pattern = raw_input("pattern: ")
if len(text) == 0 or len(pattern) == 0:
print "\nplease input text and pattern again!"
break
kmp_match(text, pattern)
if __name__ == '__main__':
main()