数据结构与算法之字符串匹配(string matching)学习笔记 朴素算法，自动机，KMP

文本编辑过程中的查找，替换功能，在一段DNA中查找特定序列等，都要用到字符串匹配。简单地说，就是在一大段字符里（称为主串T）找一小段目标字串（称为模式串P，是否存在，存在多少次）。

A B A C A B A C C A
A B A A B A

模式串ABA出现2次，位置0（或1,如果把第一个位置看作1），或位置4（或5,如果把第一个位置看作1）。我们的目的是把所有ABA出现的地方找出来。如果待查模式串是ABCD，应该返回“没有出现”。无论哪种解法，都要带着模式串（已知的小字符串）在待查找的主串里前进，所以算法的时间一定是Ω(n)的（n是待查找的主串长度。

字符串匹配常用算法有几种：暴力解法，RK算法（Rabin-Karp），字符串匹配自动机（Finite automaton）以及KMP算法 （Knuth-Morris-Pratt，最快)。后三种算法都对模式串进行了预处理，其中RK算法使用哈希函数对文本进行转化，比较转化后的值，自动机和KMP算法类似，都是利用了模式串本身的性质缩短查找时间。

暴力解法用几个嵌套循环就可以了。如果主串长度为n，模式串长度为m，在主串里前n-m+1个位置上每次都进行模式串的匹配。每次匹配需要检查m对字符，一共匹配n-m+1次，时间复杂度为O(m(n-m+1))。这种算法效率低是因为进行了很多次重复的检查：因为模式串是已知的，每次会对m个字符进行匹配，同时会获取主串里下次匹配的前m-1个字符，如果对这些信息进行处理能够提高效率。

Rabin-Kart算法的求解思路如下：把模式串看作一段数字，数字的位数与原长度相同(m)，是多少进制的呢？可以想象十进制数使用了0-9十个数字，满10进1，二进制数使用了0,1两个数字，满2进1，八进制数使用了8个数字，满8进1，等等。所以模式串以及主串的进制是文本的字符库的大小，如果所有字符串都来自A-Z 26个字母，则是26进制，如果使用了字母，数字36个不同的字符，就是36进制。这里字符库的大小一般用d表示，则主串是n位的d进制数，子串是m位的d进制数。

前面说过，包括RK算法在内的后三种算法会对子串进行预处理，子串是已知的，能得到的信息很多。RK算法的预处理方式就是将子串哈希成一个值，类似于将一个数字数组[2][3][4][5][6][7]， 转化成一个数字234567，前者要处理数组的每一个位置，后者只需处理一个数字。如果数组长度为m，一般的转化方式需要Θ(m2)的时间，使用Horner法则（秦九韶算法 ）则只需要Θ(m)的时间。

同样地，母串也需要转化。第一次比较需要使用同样的方式将母串里前m位转化成一个值，使用Θ(m)的时间。但是第二次转化只需要常数时间，为什么呢？比如母串里第一次转化后的值，称为t0，为1234567，第二次转发时发现下一位是8，不需要再对2345678进行转化，只需要将第一个数的首位去掉，乘以10，再加上下一位8,就变成2345678了。这样后面只需要执行n-m次常数时间的转化，如果把对母串前m位的转化看作预处理的一部分，那么预处理使用Θ(m)的时间，后面的匹配使用Θ(n-m+1)的时间。这里是Θ(n-m+1)而不是Θ(n-m)，因为当n=m时，匹配时间应该是Θ(1)，表示常数时间，而不是Θ(0)，用Θ(n-m+1)可以避免Θ(0)的出现。

一个可能的问题是子串的长度很长，即m很大，可能产生溢出错误，对它的计算和处理也更加费力。m特别大的时候，前面的常数时间就不成立了。这类问题一般用对素数取余来处理，而且这个素数越大冲突越小，只要这个素数乘以d不会产生溢出错误，就是安全的。

取余以后可能出现一个问题，不一样的数可能取余以后得到的数字是一样的，也就是哈希过程发生冲突了，所以需要素数尽量大，这样发生冲突的可能性小。解决方法很简单，就是每次匹配成功，就把字串和母串的匹配成功区域用Θ(m)的时间逐一比较。所以RK算法适用于匹配区域远远小于母串长度，其实也是实际应用中的大部分情况。

字符串匹配自动机
所谓“自动机”，其实就是提前计算好的一个函数，这个函数可以根据模式串本身以及遇到的下一个字符，推断模式串需要前进几步，就不需要一个一个的比较了。因为主串里的每个字符只比较一次，因此匹配时间为(n)，预处理是根据模式串写出这个函数，称为转换函数。如果模式串的长度是m，则转换函数有0到m-1，共m种状态，类似一种通过问题的答案跳到指定题目的游戏。模式串遇到的下一个字符就是这个“答案”，每个问题就是每种状态，只有连续答对问题才能跳到最后一种状态，称为接受状态（其它状态为拒绝状态）。另外，这些状态代表的含义是模式串的前端