本文给出一个horspool算法的实现,展示一个使用示例,并向介绍一个非常好用的UTF8字符转码项目,给出一个简单的测试报告等。
#include <iostream> #include <unordered_map> //#include <codecvt> #include <fstream> #include <iterator> #include <sstream> #include <bitset> #include "utf8.h" using namespace std; template <typename Key,typename Value> class ShiftTable{ public: ShiftTable(const std::u32string& pattern){ index_=pattern.size(); auto end=pattern.rbegin(); auto head=pattern.rend(); auto cur=end+1; while(cur!=head){ shiftTable_.emplace(make_pair(*cur,cur-end)); ++cur; } } Value operator [](const Key& key){ auto cur=shiftTable_.find(key); if(cur!=shiftTable_.end()) return cur->second; else return index_; } private: unordered_map<Key,Value> shiftTable_; size_t index_; }; int HorspoolMatching(const std::u32string & pattern,const std::u32string & text){ if(pattern.empty()||text.empty())return -1; ShiftTable<char32_t,size_t> table(pattern); auto m=pattern.size(); auto n=text.size(); auto i=m-1; while(i<=n-1){ int k=0; while(k<=m-1&&pattern[m-1-k]==text[i-k]) k++; if(k==m) return i-m+1; else i+=table[text[i]]; } return -1; }
在这里不对horspool 算法进行阐述,仅分享一个实现而已。
实现中使用std::u32string, 并且我们要求字符采用unicode32,以支持任意国建字符窜的搜索。
在这里我强烈推荐大家关注一个轻量开源的utf8转码实现,这个是项目主页utf8
int main() { //一种比较高效,纯C++方式把文件读入字符串 ifstream filestream("/home/ron/input.in");//该文件需要以utf8格式保存(操作系统无要求) stringstream ss; ss<<filestream.rdbuf(); string text(ss.str()); string pattern="你是";//此处"你是"是utf8保存的,因为源码在ubuntu下以utf8保存 std::u32string text32; std::u32string pattern32; utf8::utf8to32(text.begin(), text.end() , back_inserter(text32)); utf8::utf8to32(pattern.begin(), pattern.end() , back_inserter(pattern32)); string repWord="我";//此处"我"是utf8保存的,因为源码在ubuntu下以utf8保存 std::u32string repWord32; utf8::utf8to32(repWord.begin(), repWord.end() , back_inserter(repWord32)); //查找文件中的"你是" auto index=HorspoolMatching(pattern32,text32); if( index!=-1 ) { cout<<"found it,at index "<<index<<endl; text32.replace(index,1,repWord32); //替换文件中,第一"你是"为"我是" ofstream ofilestream("/home/ron/input.in"); ostream_iterator<char> out(ofilestream); utf8::utf32to8(text32.begin(),text32.end(),out); } else { cout<<"not found"<<endl; } return 0; }上述代码,是一个使用示例,它可以跨平台(操作系统支不支持utf8无所谓,我们程序支持utf8/16/32 任意转码),所以只要求输入文件和模式字符串是采用utf8编码即可。我们知道utf8是网络传输采用的标准,并且大多数系统均支持utf8。
我们可以做支持任何编码的查找,那样问题就复杂化了,谁愿意无穷尽的陷入到字符编码中,相信只有这个领域的专家吧。
#include <codecvt>
这个头文件是啥?C++11引入的关于字符窜转码的实现,可惜gcc到现在还没有实现,哎,怎么会?。vc2010以后的版本应该是支持的。有兴趣的同学可以自行了解。因为我编译环境是ubuntu gcc所以无法使用codecvt,还有其他的一些字符编码库可以用,类似ICU等等,但他们太大了,用起来也麻烦。终于找到utf8轻量级项目,copy源码即用,它在ubuntu下表现非常好。当然在window下也一样。缺点无非就是仅支持utf而已。
我使用一些文本对这个实现和标准库实现进行对比,时间性能效率相差无几(标准库略好一点点)。有一个gcc issue,希望采用Boyer-Moore算法实现find。所以我猜测gcc对find实现很可能采用的就是horspool算法,又快又简单,只是最坏复杂度无法保证。
怎么不见KMP,KMP太复杂了。除非你对算法有所癖爱,否则没有任何一个程序员会选择效率相同,但实现更复杂的算法。但KMP算法的思想确实对后续其他算法产生了影响。
限于本人水平,欢迎大家批评指正。转载请表明出处,谢谢。
原文地址:http://blog.csdn.net/zjq2008wd/article/details/44810367