KMP简介
Knuth-Morris-Pratt算法简称KMP算法。是常用的字符串匹配算法,这个算法由Donald Knuth、Vaughan Pratt、James H. Morris三人于1977年联合发表,故取这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第一个字符和text第一个字符对齐,开始逐个字符匹配
2. 如果pattern和text的第一个字符成功匹配上,那么继续对pattern和text第二个字符进行匹配。
3. 一直匹配到第一个错配的位置,这个时候,把pattern和text的对齐位置(下一次匹配第一个字符的位置向后移动一定的长度),这个长度可以通过查表来确定,后面再详细说明表怎么构建。
4. 直到找到pattren和text完全匹配的位置。当然,也可能找不到;或者找到多个,对于多个这种情况,直接将pattern后移pattern个长度。
原理
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
因为B与A不匹配,搜索词再往后移。
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。
接着比较字符串和搜索词的下一个字符,还是相同。
直到字符串有一个字符,与搜索词对应的字符不相同为止。
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。
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。
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。
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
仔细想一想,其实减去的对应长度的部分匹配值减去的是pattern尾部存在的部分匹配子串的长度。
就是说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样的子串,这时候想把前面的子串和text中与pattern后面部分匹配子串完全匹配的位置进行匹配。
因为 6 - 2 等于4,所以将搜索词向后移动4位。
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。
因为空格与A不匹配,继续后移一位。
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。
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。
算法框架:
def kmp_match(text, pattern):
m = len(text)
n = len(pattern)
cur = 0 #起始指针cur 表示 在text上开始匹配的起始位置
table = partial_table(pattern) #构建部分匹配查询表
results = [] # 存储成功匹配的信息
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,我们不只是单纯的1位1位往右移,可以一次移动多位
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 + "-------"
构建部分匹配表
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。
“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。
“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。
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
整合代码
# -*- 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 #起始指针cur 表示 在text上开始匹配的起始位置
table = partial_table(pattern) #构建部分匹配查询表
results = [] # 存储成功匹配的信息
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,我们不只是单纯的1位1位往右移,可以一次移动多位
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()