1、概述
在用於查找子字符串的算法當中,BM(Boyer-Moore)算法是目前相當有效又容易理解的一種,一般情況下,比KMP算法快3-5倍。
BM算法在移動模式串的時候是從左到右,而進行比較的時候是從右到左的。
常規的匹配算法移動模式串的時候是從左到右,而進行比較的時候也是是從左到右的,基本框架是:
+ expand sourceview plaincopy to clipboardprint?
j = 0;
while(j <= strlen(主串)- strlen(模式串)){
for (i = 0;i < strlen(模式串) && 模式串[i] == 主串[i + j]; ++i)
;
if (i == strlen(模式串))
Match;
else
++j;
}
j = 0;
while(j <= strlen(主串)- strlen(模式串)){
for (i = 0;i < strlen(模式串) && 模式串[i] == 主串[i + j]; ++i)
;
if (i == strlen(模式串))
Match;
else
++j;
}
而BM算法在移動模式串的時候是從左到右,而進行比較的時候是從右到左的,基本框架是:
+ expand sourceview plaincopy to clipboardprint?
j = 0;
while (j <= strlen(主串) - strlen(模式串)) {
for (i = strlen(模式串) - 1; i >= 0 && 模式串[i] ==主串[i + j]; --i)
if (i < 0)
match;
else
++j;
}
j = 0;
while (j <= strlen(主串) - strlen(模式串)) {
for (i = strlen(模式串) - 1; i >= 0 && 模式串[i] ==主串[i + j]; --i)
if (i < 0)
match;
else
++j;
}
顯然BM算法並不是上面那個樣子,BM算法的精華就在於++j
2、BM算法思想
BM算法實際上包含兩個並行的算法,壞字符算法和好後綴算法。這兩種算法的目的就是讓模式串每次向右移動儘可能大的距離(j+=x,x儘可能的大)。
幾個定義:
例主串和模式串如下:
主串 : mahtavaatalomaisema omalomailuun
模式串: maisemaomaloma
好後綴:模式串中的aloma爲“好後綴”。
壞字符:主串中的“t”爲壞字符。
好後綴算法
如果程序匹配了一個好後綴, 並且在模式中還有另外一個相同的後綴, 那
把下一個後綴移動到當前後綴位置。好後綴算法有兩種情況:
Case1:模式串中有子串和好後綴安全匹配,則將最靠右的那個子串移動到好後綴的位置。繼續進行匹配。
Case2:如果不存在和好後綴完全匹配的子串,則在好後綴中找到具有如下特徵的最長子串,使得P[m-s…m]=P[0…s]。說不清楚的看圖。
壞字符算法
當出現一個壞字符時, BM算法向右移動模式串, 讓模式串中最靠右的對應字符與壞字符相對,然後繼續匹配。壞字符算法也有兩種情況。
Case1:模式串中有對應的壞字符時,見圖。
Case2:模式串中不存在壞字符。見圖。
移動規則
BM算法的移動規則是:
將概述中的++j,換成j+=MAX(shift(好後綴),shift(壞字符)),即
BM算法是每次向右移動模式串的距離是,按照好後綴算法和壞字符算法計算得到的最大值。
shift(好後綴)和shift(壞字符)通過模式串的預處理數組的簡單計算得到。好後綴算法的預處理數組是bmGs[],壞字符算法的預處理數組是BmBc[]。
3、代碼分析
定義
BM算法子串比較失配時,按壞字符算法計算模式串需要向右移動的距離,要藉助BmBc數組。
注意BmBc數組的下標是字符,而不是數字。
BmBc數組的定義,分兩種情況。
1、 字符在模式串中有出現。如下圖,BmBc[‘k’]表示字符k在模式串中最後一次出現的位置,距離模式串串尾的長度。
2、 字符在模式串中沒有出現:,如模式串中沒有字符p,則BmBc[‘p’] = strlen(模式串)。
BM算法子串比較失配時,按好後綴算法計算模式串需要向右移動的距離,要藉助BmGs數組。
BmGs數組的下標是數字,表示字符在模式串中位置。
BmGs數組的定義,分三種情況。
1、 對應好後綴算法case1:如下圖:i是好後綴之前的那個位置。
2、 對應好後綴算法case2:如下圖所示:
3、 當都不匹配時,BmGs[i] = strlen(模式串)
在計算BmGc數組時,爲提高效率,先計算輔助數組Suff。
Suff數組的定義:suff[i] = 以i爲邊界, 與模式串後綴匹配的最大長度,即P[i-s...i]=P[m-s…m]如下圖:
舉例如下:
分析
用Suff[]計算BmGs的方法。
1) BmGs[0…m-1] = m;(第三種情況)
2) 計算第二種情況下的BmGs[]值:
for(i=0;i
if(-1==i || Suff[i] == i+1)
for(;j < m-1-i;++j)
if(suff[j] == m)
BmGs[j] = m-1-i;
3) 計算第三種情況下BmGs[]值,可以覆蓋前兩種情況下的BmGs[]值:
for(i=0;i
BmGs[m-1-suff[i]] = m-1-i;
如下圖所示:
Suff[]數組的計算方法。
常規的方法:如下,很裸很暴力。
Suff[m-1]=m;
for(i=m-2;i>=0;--i){
q=i;
while(q>=0&&P[q]==P[m-1-i+q])
--q;
Suff[i]=i-q;
}
有聰明人想出一種方法,對常規方法進行改進。基本的掃描都是從右向左。改進的地方就是利用了已經計算得到的suff[]值,計算現在正在計算的suff[]值。
如下圖所示:
i是當前正準備計算的suff[]值得那個位置。
f是上一個成功進行匹配的起始位置(不是每個位置都能進行成功匹配的, 實際上能夠進行成功匹配的位置並不多)。
q是上一次進行成功匹配的失配位置。
如果i在q和f之間,那麼一定有P[i]=P[m-1-f+i];並且如果suff[m-1-f+i]=i-q, suff[i]和suff[m-1-f+i]就沒有直接關係了。
代碼
view plaincopy to clipboardprint?
void preBmBc(char *x, int m, int bmBc[]) {
int i;
for (i = 0; i < ASIZE; ++i)
bmBc[i] = m;
for (i = 0; i < m - 1; ++i)
bmBc[x[i]] = m - i - 1;
}
void suffixes(char *x, int m, int *suff) {
int f, g, i;
f = 0;
suff[m - 1] = m;
g = m - 1;
for (i = m - 2; i >= 0; --i) {
if (i > g && suff[i + m - 1 - f] < i - g)
suff[i] = suff[i + m - 1 - f];
else {
if (i < g)
g = i;
f = i;
while (g >= 0 && x[g] == x[g + m - 1 - f])
--g;
suff[i] = f - g;
}
}
}
void preBmGs(char *x, int m, int bmGs[]) {
int i, j, suff[XSIZE];
suffixes(x, m, suff);
for (i = 0; i < m; ++i)
bmGs[i] = m;
j = 0;
for (i = m - 1; i >= 0; --i)
if (suff[i] == i + 1)
for (; j < m - 1 - i; ++j)
if (bmGs[j] == m)
bmGs[j] = m - 1 - i;
for (i = 0; i <= m - 2; ++i)
bmGs[m - 1 - suff[i]] = m - 1 - i;
}
void BM(char *x, int m, char *y, int n) {
int i, j, bmGs[XSIZE], bmBc[ASIZE];
/* Preprocessing */
preBmGs(x, m, bmGs);
preBmBc(x, m, bmBc);
/* Searching */
j = 0;
while (j <= n - m) {
for (i = m - 1; i >= 0 && x[i] == y[i + j]; --i);
if (i < 0) {
OUTPUT(j);
j += bmGs[0];
}
else
j += MAX(bmGs[i], bmBc[y[i + j]] - m + 1 + i);
}
}
本文來自CSDN博客,轉載請標明出處:http://blog.csdn.net/sealyao/archive/2009/09/18/4568167.aspx