子字符串查找(3)——BM算法
一、BM算法定义
BM(Boyer-Moore)算法,它和KMP算法一样都是从主串的最左端开始,然后不断右移的。
与KMP算法的不同之处在于:BM算法从右向左扫描模式字符串,并将它和文本字符串比较。
BM算法的效率比KMP算法高很多,常用于文本编辑器中的搜索匹配功能。
二、基本思想
2.1 坏字符与好后缀
BM算法中存在两个概念:坏字符与好后缀
2-1 坏字符与好后缀坏字符(Bad Character)
所谓坏字符,就是模式串与文本串在从右往左的匹配过程中,出现的第1个不匹配的文本字符。(如图2-1中的b)
那么,当匹配过程中出现“坏字符”如何处理?
应当将模式字符串右移,直至遇到一个与坏字符相同的模式字符或最终移动到坏字符+1位置(即没有遇到与坏字符匹配的模式字符),如下图:
好后缀(Good Suffix)
所谓好后缀,就是模式串与文本串在从右往左的匹配过程中,出现的部分匹配的文本字符串后缀(如图2-1中的a、ba、aba)
那么,当匹配过程中出现“好后缀”如何处理?
应当将模式字符串右移,直至模式字符串与好后缀完全匹配或部分匹配或不匹配,如下图:
综上所述,在匹配过程中,如果当前字符匹配失败,则:
模式字符串右移位数 = Max { shift(坏字符) , shift(好后缀) }
2.2 算法示例
以字符串"HERE IS A SIMPLE EXAMPLE",模式字符串"EXAMPLE"为例。
- 首先,文本与模式串头部对齐,从尾部开始比较,发现"S"与"E"不匹配,所以"S"是"坏字符",且不存在好后缀。
由于模式串左侧中不存在与坏字符“S”相同的字符,故模式字符串右移至"S"位置+1,shift('S')=7
,即模式字符串右移位数 = Max { 7, 0}=7
- 再次从尾部开始比较,发现"P"与"E"不匹配,所以"P"是"坏字符",且不存在好后缀。
但是,模式串左侧“EXAMPL”中存在相同的字符"P",故shift('P')=2
,即模式字符串右移位数 = Max { 2, 0}=2
- 依然从尾部开始比较,"MPLE"与"MPLE"匹配,直到"I"和"A"不匹配,所以"I"是"坏字符",且存在好后缀"MPLE"。
- 此时"I"和"A"不匹配,模式串左侧“EX”中不存在与坏字符"I"相同的字符,故
shift('I')=3
;
模式字符串中存在与好后缀“MPLE”部分匹配的"E",故shift('E')=6
,模式字符串右移位数 = Max { 6, 3}=6
- 依然从尾部开始比较,"P"和"E"不匹配,所以"P"是"坏字符",且不存在好后缀。
但是,模式串左侧“EXAMPL”中存在相同的字符"P",故shift('P')=2
,即模式字符串右移位数 = Max { 2, 0}=2
- 然后再次从尾部开始逐位比较,发现全部匹配,于是搜索结束。
三、算法实现
BM算法在从右向左的比较过程中,当某个字符失配时,需要分别按坏字符算法 和好后缀算法 计算模式串需要右移的距离,然后取最大值,进行右移。
3.1 坏字符算法
/**
* 构造坏字符数组
* bmBC['k']表示坏字符'k'在模式串中的最右位置,如不存在则为-1
*/
public int[] getBmBc(String ptn) {
int[] bmBc = new int[R]; // R为字母表大小
for (int c = 0; c < R; c++) {
bmBc[c] = -1;
}
for (int i = 0; i < ptn.length(); i++) {
bmBc[ptn.charAt(i)] = i;
}
return bmBc;
}
位移数(Shift) = 坏字符在当前模式串中的索引 - bmBC[坏字符];
(如果结果小于0,则置为1,因为模式串不能左移)
3.2 好后缀算法
1、构建辅助数组suffix[]:
suffix[i] = s
表示字符P[i]之前的子串,与模式串后缀匹配的最大长度,如下图所示,用公式可以描述:满足P[i-s, i] == P[m-s, m]的最大长度s。
* 构建辅助后缀数组
* suffix[i] = n 表示模式字符P[i]之前的子串,与模式串后缀匹配的最大长度为n
*/
private int[] getSuffix(String ptn) {
int m = ptn.length();
int[] suffix = new int[m];
suffix[m - 1] = m;
for (int i = m - 2; i >= 0; i--) { // i指向当前求解的字符
int n = 0; // 记录相同后缀数量
int k1 = i, k2 = m - 1;
while (k1 >= 0 && k2 >= 0 && ptn.charAt(k1) == ptn.charAt(k2))
n++;
suffix[i] = n;
}
return suffix;
}
2、构建好后缀数组bmGs[]:
bmGs[i]
表示遇到好后缀时,模式串应该右移的距离,其中i
表示当前匹配失效的字符位置(也就是当前坏字符的位置)。
分为三种情况:
- 模式串中无任何字符与好后缀匹配(这种情况右移距离最长)
- 模式串中有前缀与好后缀部分匹配(这种情况右移距离次长)
- 模式串中有子串与好后缀完全匹配(这种情况右移距离最短)
综上,我们应该尽量让一次移动的距离少一点,以免回退。
/**
* 求解bmGs数组
* bmGs[i]表示遇到好后缀时,模式串应该右移的距离,其中i表示好后缀前面一个字符的位置(也就是当前坏字符的位置)
*/
private int[] getBmGs(String ptn) {
int m = ptn.length();
int[] bmGs = new int[m];
int[] suffix = getSuffix(ptn);
// 1.模式串中无任何字符与好后缀匹配(这种情况右移距离最长)
for (int i = 0; i < m; i++) {
bmGs[i] = m;
}
// 2.模式串中有前缀与好后缀部分匹配(这种情况右移距离次长)
for (int i = m - 1; i >= 0; i--) {
if (suffix[i] == i + 1) {
for (int j = 0; j < m - 1 - i; j++) {
if (bmGs[j] == m)
bmGs[j] = m - 1 - i;
}
}
}
// 3.模式串中有子串与好后缀完全匹配(这种情况右移距离最短)
for (int i = 0; i < m - 1; i++) {
bmGs[m - 1 - suffix[i]] = m - 1 - i;
}
return bmGs;
}
3.3 BM算法完整实现
public int search(String txt, String ptn) {
int n = txt.length();
int m = ptn.length();
int[] bmBc = getBmBc(ptn); // 坏字符算法
int[] bmGs = getBmGs(ptn); // 好后缀算法
int i = 0, j = m - 1; // 指针i追踪文本,指针j追踪模式字符串
while (i <= n - m) {
j = m - 1; // 每次失配后,j重置为起始位置
while (j >= 0 && ptn.charAt(j) == txt.charAt(i + j))
j--;
if (j < 0) // 完全匹配成功
return i;
else {
char badChar = txt.charAt(i + j); // i+j指向了当前正在比较的文本字符(坏字符)
// 坏字符算法
int len1 = j - bmBc[badChar] < 0 ? 1 : j - bmBc[badChar];
// 好后缀算法
int len2 = bmGs[badChar];
// 取最大位移
i += max(len1, len2); // 匹配失败
}
}
return -1;
}
四、性能分析
-
预处理阶段
时间复杂度和空间复杂度都是O(M) -
搜索阶段
时间复杂度:O(MN)
最好情况下:O(N/M)
注:N为文本串长度,M为模式串长度