码迷,mamicode.com
首页 > 编程语言 > 详细

Boyer-Moore算法

时间:2015-06-02 12:39:51      阅读:205      评论:0      收藏:0      [点我收藏+]

标签:

转自:Boyer-Moore算法

一.简述

        在当前用于查找子字符串的算法中,BM(Boyer-Moore)算法是当前有效且应用比较广的一中算法,各种文本编辑器的“查找”功能(Ctrl+F),大多采用Boyer-Moore算法。比我们在学习的KMP算法快3~5倍。

        Boyer-Moore算法不仅效率高,而且构思巧妙,容易理解。1977年,德克萨斯大学的Robert S. Boyer教授和J Strother Moore教授发明了这种算法。

二.算法思想

        我们知道常规的字符串匹配算法是从左往右的,这也比较符合我们一贯的思维,但是BM算法是从右往左的。一般匹配我们用的是蛮力匹配,而经典的BM算法其实是对后缀蛮力匹配算法的改进,下面我们给出蛮力后缀匹配的伪代码。

 

[cpp] view plaincopy
 
  1. j = 0;  
  2. while (j <= strlen(T) - strlen(P)) {  
  3.    for (i = strlen(P) - 1; i >= 0 && P[i] ==T[i + j]; --i)  
  4.    if (i < =0)  
  5.       match;  
  6.    else  
  7.     ++j;  
  8. }  

 

 

        从上面的伪代码中我们可以看出每当失匹的时候,就会往后移一位,也就是上面++j这一行代码;而BM算法所做的就是改进这一行代码,即模式串不在每次只移动一步,而是根据已经匹配的后缀信息,来判断移动的距离,通常80%左右能够移动模式串的长度,从而可以跳过大量不必须比较的字符,大大提高了查找效率。

        为了实现更快的移动模式串,BM定义了两个规则,坏后缀规则和好后缀规则。这两个规则分别计算我们能够向后移动模式串长度,然后选取这两个规则中移动大的,作为我们真正移动的距离。也就是上述伪代码中j不在每次加一,而是加上上面两个规则中移动长度大的。

        假定字符串为”HERE IS A SIMPLE EXAMPLE”,模式串为”EXAMPLE”。下面我将阐述几个概念,坏字符和好后缀。

技术分享

 

        上图中我们看到,”S”与”E”不匹配。这时,“S”就被称为”坏字符”(bad character),即不匹配的字符。

技术分享

 

       上图中 ”MPLE”与”MPLE”匹配。我们把这种情况称为”好后缀”(good suffix),即所有尾部匹配的字符串。注意,”MPLE”、”PLE”、”LE”、”E”都是好后缀,这点后面我们会用到。

 

坏字符算法

        当出现一个坏字符时, BM算法向右移动模式串, 让模式串中最靠右的对应字符与坏字符相对,然后继续匹配。坏字符算法有两种情况。

  • 模式串中有对应的坏字符时,y为字符串,x为模式串,见下图

技术分享

 

        坏字符出现在模式串中,这时可以把模式串第一个出现的坏字符和母串的坏字符对齐,也就是上面所说的最靠右。当然,这样可能造成模式串倒退移动,因为坏字符可能出现在与模式串失匹位置的右面,不过由于我们移动不光看坏后缀还看好后缀,所以不会后退。

 

 

  • 模式串中不存在坏字符,这时可以把模式串移动到坏字符的下一个字符,继续比较。如下图所示

 

技术分享

 

好后缀算法

 

         好后缀算法分为三种情况

 

  • 模式串中有子串匹配上好后缀,此时移动模式串,让该子串和好后缀对齐即可,如果超过一个子串匹配上好后缀,则选择最靠右边的子串对齐,防止有漏匹配的。

 

技术分享

 

 

  • 模式串中没有子串匹配上后后缀,此时需要寻找模式串的一个最长前缀,并让该前缀等于好后缀的后缀,寻找到该前缀后,让该前缀和好后缀对齐即可。

 

 

技术分享

 

 

  • 模式串中没有子串匹配上后后缀,并且在模式串中找不到最长前缀,让该前缀等于好后缀的后缀。此时,直接移动模式到好后缀的下一个字符。

 

技术分享

 

        BM算法的大体思想到这里我们基本介绍结束了,下面我们通过一个例子来具体感受一下

 

三.例子

 

        下面,我根据Moore教授自己的例子来解释这种算法。希望通过例子大家能有一个感性的认识。

1.

技术分享

 

 

假定字符串为”HERE IS ASIMPLE EXAMPLE”,搜索词为”EXAMPLE”。搜索词我们下面都称为模式串。

 

 

    2.

技术分享

 

 

        首先,”字符串”与”模式串”头部对齐,从尾部开始比较。

        我们看到,”S”与”E”不匹配。这时,“S”就被称为”坏字符”(badcharacter),即不匹配的字符。我们还发现,”S”不包含在模式串”EXAMPLE”之中,这意味着可以把模式串直接移到”S”的后一位。这里适用坏规则。

 

 

3.

技术分享

 

        依然从尾部开始比较,发现”P”与”E”不匹配,所以”P”是”坏字符”。但是,”P”包含在模式串”EXAMPLE”之中。所以,根据坏规则将模式串中的最右的“P”与字符串中的”P”对齐,模式串后移两位。

4.

技术分享

 

我们由此总结出“坏字符规则”:

 

  后移位数 = 坏字符的位置 – 搜索词中的上一次出现位置

 

如果”坏字符”不包含在搜索词之中,则上一次出现位置为 -1。

 

        以”P”为例,它作为”坏字符”,出现在搜索词的第6位(从0开始编号),在搜索词中的上一次出现位置为4,所以后移 6 – 4 = 2位。再以前面第二步的”S”为例,它出现在第6位,上一次出现位置是 -1(即未出现),则整个搜索词后移 6 – (-1) = 7位。

 

5.

技术分享

 

        E和E匹配,继续匹配

技术分享

 

          比较前一位,LE和LE匹配

技术分享

 

         比较前一位,PLE与PLE匹配

技术分享

          比较前面一位,”MPLE”与”MPLE”匹配。我们把这种情况称为”好后缀”(good suffix),即所有尾部匹配的字符串。注意,”MPLE”、”PLE”、”LE”、”E”都是好后缀。

6.

技术分享

 

比较前一位,发现”I”与”A”不匹配。所以,”I”是”坏字符”。根据”坏字符规则”,此时模式串应该后移 2 –(-1)= 3 位。问题是,此时有没有更好的移法?

 

我们知道,此时存在”好后缀”。所以,可以采用“好后缀规则”:

 

后移位数 = 好后缀的位置 – 模式串中的上一次出现位置

 

计算时,位置的取值以”好后缀”的最后一个字符为准。如果”好后缀”在模式串中没有重复出现,则它的上一次出现位置为 -1。

 

所有的”好后缀”(MPLE、PLE、LE、E)之中,只有”E”在”EXAMPLE”之中出现两次,所以后移 6 – 0 = 6位。取坏规则和好规则的最大的那个值,也就是我们要后移6位。后移后如下图所示。

技术分享

7.

技术分享

 

        继续从尾部开始比较,”P”与”E”不匹配,因此”P”是”坏字符”。根据”坏字符规则”,后移 6 – 4 = 2位。

8.

技术分享

 

从尾部开始逐位比较,发现全部匹配,于是搜索结束。如果还要继续查找(即找出全部匹配),则根据”好后缀规则”,后移 6 – 0 = 6位,即头部的”E”移到尾部的”E”的位置。

 

更多的例子,点这里

 

 

四.算法详解

 

         通过了一个例子后,相信大家对这个算法基本了解了,那么下面我们将通过具体实现来深入解释算法的一些细节。具体实现与上面那个例子稍微有点不一样,但原理是一样的。

        首先我们要设计一个数组bmBc[],比如说bmBc[‘K’]表示坏字符‘k’在模式串中最右出现的位置距离模式串末尾的长度,那么当遇到坏字符的时候,模式串可以移动距离为: shift(坏字符) = bmBc[T[i]]-(m-1-i) (其中T[i]指的是在i位置上坏字符,(m-1-i)指的是坏字符位置到模式串末尾的长度),这个移动的距离与我们上面例子讨论的移动距离的方式虽然不一样,但原理是一样的,都是求坏字符位置与在模式串出现坏字符位置的距离,当然这个距离有可能是负的,但是没关系,遇到这种情况模式串就直接向后一位,重新开始匹配,但是由于有好后缀规则,我们选取大的进行移动,所以也可以不处理。如下图:

技术分享

 

 

 数组bmBc的创建非常简单,直接贴出伪代码代码如下:

 

 

[cpp] view plaincopy
 
  1. void preBmBc(char *x, int m, int bmBc[]) {  
  2.     int i;  
  3.     for (i = 0; i <ASIZE; ++i)  
  4.          bmBc[i] = m;  
  5.     for (i = 0; i < m - 1; ++i)  
  6.          bmBc[x[i]] = m - i - 1;  
  7. }  

 

 

 

上面ASIZE为该字符集词的个数,但是上述伪代码存在一个问题如果是像中文这样字符集的话会是bmBc数组非常大,所以我实现采用了如下的方法,就是通过键值对来取代数组,然后用一个专门的函数来查看键值对的值,如果存在就返回相应的值,不存在就返回模式串的长度。具体看代码

 

 

[java] view plaincopy
 
  1. private void preBmBc(String pattern,int patLength,Map<String,Integer> bmBc)  
  2. {  
  3.     System.out.println("bmbc start process...");  
  4.     for(int i=patLength-2;i>=0;i--)  
  5.     {  
  6.         if(!bmBc.containsKey(String.valueOf(pattern.charAt(i))))  
  7.         {               bmBc.put(String.valueOf(pattern.charAt(i)),(Integer)(patLength-i-1));  
  8.         }  
  9.     }  
  10. }  
  11.   
  12. private int getBmBc(String c,Map<String,Integer> bmBc,int m)  
  13. {  
  14.     //如果在规则中则返回相应的值,否则返回pattern的长度  
  15.     if(bmBc.containsKey(c))  
  16.     {  
  17.         return  bmBc.get(c);  
  18.     }else  
  19.     {  
  20.         return m;  
  21.     }  
  22. }  

 

 

 

为了实现好后缀规则,需要定义一个数组suffix[],其中suffix[i] = s 表示以i为边界,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。

 

技术分享

 

 

构建suffix数组的伪代码如下:

 

 

[cpp] view plaincopy
 
  1. suffix[m-1]=m;  
  2. for (i=m-2;i>=0;--i){  
  3.     q=i;  
  4.     while(q>=0&&P[q]==P[m-1-i+q])  
  5.         --q;  
  6.     suffix[i]=i-q;  
  7. }  

 

 

 

 

有了suffix数组,就可以定义bmGs[]数组,bmGs[i] 表示遇到好后缀时,模式串应该移动的距离,其中i表示好后缀前面一个字符的位置(也就是坏字符的位置),构建bmGs数组分为三种情况,分别对应上述的移动模式串的三种情况

 

 

模式串中没有子串匹配上好后缀,但找不到一个最大前缀

 

技术分享

 

 

模式串中有子串匹配上好后缀

 

技术分享

 

 

模式串中没有子串匹配上好后缀,但找到一个最大前缀

 

技术分享

 

 

构建bmGs数组的伪代码如下:

 

 

[cpp] view plaincopy
 
  1. void preBmGs(char *x, int m, int bmGs[]) {  
  2.    int i, j, suff[XSIZE];  
  3.    suffixes(x, m, suff);  
  4. //模式串中没有子串匹配上好后缀,也找不到一个最大前缀  
  5.    for (i = 0; i < m; ++i)  
  6.       bmGs[i] = m;  
  7.    j = 0;  
  8. //模式串中没有子串匹配上好后缀,但找到一个最大前缀  
  9.    for (i = m - 1; i >= 0; --i)  
  10.       if (suff[i] == i + 1)  
  11.          for (; j < m - 1 - i; ++j)  
  12.             if (bmGs[j] == m)  
  13.                bmGs[j] = m - 1 - i;  
  14. //模式串中有子串匹配上好后缀  
  15.    for (i = 0; i <= m - 2; ++i)  
  16.       bmGs[m - 1 - suff[i]] = m - 1 - i;  
  17. }  

 

 

 

在计算完bmBc,BmGs数组后,BM算法伪代码实现如下:

 

 

[cpp] view plaincopy
 
  1. j = 0;  
  2. while (j <= strlen(T) - strlen(P)) {  
  3.    for (i = strlen(P) - 1; i >= 0 && P[i] ==T[i + j]; --i)  
  4.    if (i < 0)  
  5.       match;  
  6.    else  
  7.       j += max(bmGs[i], bmBc[T[i]]-(m-1-i));  
  8. }  

 

 

BM算法一般情况下的算法复杂度为O(M/N),M为字符串长度,N为模式串长度。对于算法复杂度感兴趣的,点这里

参考文献:

 

 

 

JAVA实现源码

[java] view plaincopy
 
  1. import java.util.*;  
  2.   
  3.   
  4. public class BoyerMoore {  
  5.   
  6.     public static void main(String[] args) {  
  7.         // TODO Auto-generated method stub  
  8. //      String text="HERE IS A SIMPLE EXAMPLE";  
  9. //      String pattern="EXAMPLE";  
  10. //      String pattern="GCAGAGAG";  
  11. //      String text="WOWOWO!";  
  12. //      String pattern="WOWO";  
  13.         String text="中国是一个伟大的国度;伟大的祖国啊";  
  14.         String pattern="伟大的国度";  
  15.         BoyerMoore bm=new BoyerMoore();  
  16.         bm.boyerMoore(pattern, text);  
  17.     }  
  18.     private void preBmBc(String pattern,int patLength,Map<String,Integer> bmBc)  
  19.     {  
  20.         System.out.println("bmbc start process...");  
  21.         for(int i=patLength-2;i>=0;i--)  
  22.         {  
  23.             if(!bmBc.containsKey(String.valueOf(pattern.charAt(i))))  
  24.             {  
  25.                 bmBc.put(String.valueOf(pattern.charAt(i)),(Integer)(patLength-i-1));  
  26.             }  
  27.         }  
  28.     }  
  29.       
  30.     private void suffix(String pattern,int patLength,int [] suffix)  
  31.     {  
  32.         suffix[patLength-1]=patLength;  
  33.         int q=0;  
  34.         for(int i=patLength-2;i>=0;i--)  
  35.         {  
  36.             q=i;  
  37.             while(q>=0&&pattern.charAt(q)==pattern.charAt(patLength-1-i+q))  
  38.             {  
  39.                 q--;  
  40.             }  
  41.             suffix[i]=i-q;  
  42.         }  
  43.     }  
  44.       
  45.     private void preBmGs(String pattern,int patLength,int []bmGs)  
  46.     {  
  47.         int i,j;  
  48.         int []suffix=new int[patLength];  
  49.         suffix(pattern,patLength,suffix);  
  50.         //模式串中没有子串匹配上好后缀,也找不到一个最大前缀  
  51.         for(i=0;i<patLength;i++)  
  52.         {  
  53.             bmGs[i]=patLength;  
  54.         }  
  55.         //模式串中没有子串匹配上好后缀,但找到一个最大前缀  
  56.         j=0;  
  57.         for(i=patLength-1;i>=0;i--)  
  58.         {  
  59.             if(suffix[i]==i+1)  
  60.             {  
  61.                 for(;j<patLength-1-i;j++)  
  62.                 {  
  63.                     if(bmGs[j]==patLength)  
  64.                     {  
  65.                         bmGs[j]=patLength-1-i;  
  66.                     }  
  67.                 }             
  68.             }  
  69.         }  
  70.         //模式串中有子串匹配上好后缀  
  71.         for(i=0;i<patLength-1;i++)  
  72.         {  
  73.             bmGs[patLength-1-suffix[i]]=patLength-1-i;  
  74.         }  
  75.         System.out.print("bmGs:");  
  76.         for(i=0;i<patLength;i++)  
  77.         {  
  78.             System.out.print(bmGs[i]+",");  
  79.         }  
  80.         System.out.println();  
  81.     }  
  82.     private int getBmBc(String c,Map<String,Integer> bmBc,int m)  
  83.     {  
  84.         //如果在规则中则返回相应的值,否则返回pattern的长度  
  85.         if(bmBc.containsKey(c))  
  86.         {  
  87.             return  bmBc.get(c);  
  88.         }else  
  89.         {  
  90.             return m;  
  91.         }  
  92.     }  
  93.     public void  boyerMoore(String pattern,String text )  
  94.     {  
  95.         int m=pattern.length();  
  96.         int n=text.length();  
  97.         Map<String,Integer> bmBc=new HashMap<String,Integer>();  
  98.         int[] bmGs=new int[m];  
  99.         //proprocessing  
  100.         preBmBc(pattern,m,bmBc);  
  101.         preBmGs(pattern,m,bmGs);  
  102.         //searching  
  103.         int j=0;  
  104.         int i=0;  
  105.         int count=0;  
  106.         while(j<=n-m)  
  107.         {  
  108.             for(i=m-1;i>=0&&pattern.charAt(i)==text.charAt(i+j);i--)  
  109.             {   //用于计数  
  110.                 count++;  
  111.             }         
  112.             if(i<0){  
  113.                 System.out.println("one position is:"+j);  
  114.                 j+=bmGs[0];  
  115.             }else{  
  116.                 j+=Math.max(bmGs[i],getBmBc(String.valueOf(text.charAt(i+j)),bmBc,m)-m+1+i);  
  117.             }  
  118.         }  
  119.         System.out.println("count:"+count);  
  120.     }  
  121.   
  122. }  

Boyer-Moore算法

标签:

原文地址:http://www.cnblogs.com/sunshisonghit/p/4545802.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!