字符串搜索之Boyer Moore


字符串搜索的操作是比较+移步(shift),如何高效的移步成为了这个算法的关键所在
最坏的移步就是一次移一步,即暴力解法(Brute Force)。那么优化的解法就是一次移多步。

字符串搜索算法汇总:传送门
里面详细介绍各种解法,真是有点多啊,囧
比较操作的时候算法中分为两类一类是从左向右比较即从开始字符到结束字符,另一类是从右向左比较即从结束字符到开始字符

本文主要学习Boyer Moore算法
维基百科上说,Boyer Moore算法是1977年Robert S. Boyer和J Strother Moore发明的。
阮一峰有篇很好的对BoyerMoore算法的科普文:传送门
其中详述了一个Moore教授的例子
BoyerMoore关于移步最核心的就是两个概念
坏字符移步(bad-character shift)和好后缀移步(good-suffix shift),弄明白这两个概念就明白了Boyer Moore.
在需要移步的时候考察这两个移步的步数,谁的值更大就选择谁来作为移步的步数
为了生成坏字符移步和好后缀移步,我们只需要对搜索的子(短)字符串进行处理,而不需要对目标(长)字符串进行处理。
glibc中关于子串搜索的函数strstr的这两个字符串的参数名字很有意境,前者叫needle,后者叫haystack,大海捞针啊,哈哈。

坏字符移步的生成比较容易理解:
先定义一个包含所有字符(考虑ASCII字符集,以及ASCII字符集扩展),一共256个字符

#define ALPHABET_LEN 256
int badCharacter[ALPHABET_LEN];

然后扫描needle串,生成坏字符移步。未在needle串中出现的坏字符的移步都是needle串长度即strlen(needle)

    for (i = 0; i < ALPHABET_LEN; i++) {
        badcharacter[i] = needlelen;
    }

在needle串中出现过的坏字符的移步利用公式:needlelen - 1 - idx求得,idx代表从左到右对needle串进行扫描的索引,范围是从0到(needlelen - 1)。

badcharacter[needle[i]] = needlelen - 1 - i;

考虑到在haystack串中移步时容易理解,移步时以最后一个字符作为移步的起点位置,所以上面公式求得的移步值,在移步时要减去字符相比最后字符位置的相对位置即减去(needlelen + 1 + idx),idx代表从右到左对needle串进行扫描的索引,范围是从(needlelen - 1)到0。

badcharacter[haystack[j+i]] - needlelen + 1 + i

好后缀移步生成:
参考维基百科的C语言实现
经过2次扫描needle串
第一次扫描是找是否有needle开始位置的前缀字符串能够与后缀字符串匹配的情况,并设置相应字符的好后缀移步
匹配类似下面这种场景

ABCDAB
444461
// true if the suffix of word starting from word[pos] is a prefix
// of word
int is_prefix(uint8_t *word, int wordlen, int pos) {
    int i;
    int suffixlen = wordlen - pos;
    // could also use the strncmp() library function here
    for (i = 0; i < suffixlen; i++) {
        if (word[i] != word[pos+i]) {
            return 0;
        }
    }
    return 1;
}
for (p = needlelen - 1; p >= 0; p--) {
    if (is_prefix(needle, needlelen, p + 1)) {
        last_prefix_index = p + 1;
    }
    goodsuffix[p] = last_prefix_index + needlelen - 1 - p;
}

第二次扫描是找是否有needle中的字符串能够与字符串后缀最大值长度字符匹配的情况,并设置相应字符位置的好后缀移步
匹配类似下面这种场景

BABCDAB
6666461
int suffix_length(uint8_t *word, int wordlen, int pos) {
    int i;
    // increment suffix length i to the first mismatch or beginning
    // of the word
    for (i = 0; (word[pos-i] == word[wordlen-1-i]) && (i < pos); i++);
    return i;
}
for (p = 0; p < needlelen - 1; p++) {
    int slen = suffix_length(needle, needlelen, p);
    if (needle[p - slen] != needle[needlelen - 1 - slen]) {
        goodsuffix[needlelen - 1 - slen] = needlelen - 1 - p + slen;
    }
}

最后用教授的例子作为结束

HERE IS A SIMPLE EXAMPLE
EXAMPLE
GsMoveStep=1
BcMoveStep=7
HERE IS A SIMPLE EXAMPLE
       EXAMPLE
GsMoveStep=1
BcMoveStep=2
HERE IS A SIMPLE EXAMPLE
         EXAMPLE
GsMoveStep=6
BcMoveStep=3
HERE IS A SIMPLE EXAMPLE
               EXAMPLE
GsMoveStep=1
BcMoveStep=2
HERE IS A SIMPLE EXAMPLE
                 EXAMPLE

代码:

#include <stdint.h>
#include <stdlib.h>
#include <stdio.h>
#include <string.h>

#define ALPHABET_LEN 256
#define NOT_FOUND needlelen
#define max(a, b) ((a < b) ? b : a)

#define PRINT_TABLE(table, len) \
do {\
    for(int i = 0; i < len; i++)\
    printf("%d,", table[i]);\
    printf("\n");\
}while(0)

void make_badcharacter(int *badcharacter, uint8_t *needle, int32_t needlelen) {
    int i;
    for (i = 0; i < ALPHABET_LEN; i++) {
        badcharacter[i] = NOT_FOUND;
    }
    for (i = 0; i < needlelen - 1; i++) {
        badcharacter[needle[i]] = needlelen - 1 - i;
    }
}

// true if the suffix of word starting from word[pos] is a prefix 
// of word
int is_prefix(uint8_t *word, int wordlen, int pos) {
    int i;
    int suffixlen = wordlen - pos;
    // could also use the strncmp() library function here
    for (i = 0; i < suffixlen; i++) {
        if (word[i] != word[pos+i]) {
            return 0;
        }
    }
    return 1;
}

// length of the longest suffix of word ending on word[pos].
// suffix_length("dddbcabc", 8, 4) = 2
int suffix_length(uint8_t *word, int wordlen, int pos) {
    int i;
    // increment suffix length i to the first mismatch or beginning
    // of the word
    for (i = 0; (word[pos-i] == word[wordlen-1-i]) && (i < pos); i++);
    return i;
}

void make_goodsuffix(int *goodsuffix, uint8_t *needle, int32_t needlelen) {
    int p;
    int last_prefix_index = needlelen - 1;

    // first loop
    for (p = needlelen - 1; p >= 0; p--) {
        if (is_prefix(needle, needlelen, p + 1)) {
            last_prefix_index = p + 1;
        }
        goodsuffix[p] = last_prefix_index + needlelen - 1 - p;
    }
    PRINT_TABLE(goodsuffix, needlelen);
    // second loop
    for (p = 0; p < needlelen - 1; p++) {
        int slen = suffix_length(needle, needlelen, p);
        if (needle[p - slen] != needle[needlelen - 1 - slen]) {
            goodsuffix[needlelen - 1 - slen] = needlelen - 1 - p + slen;
        }
    }
    PRINT_TABLE(goodsuffix, needlelen);
}

uint8_t* boyer_moore (uint8_t *haystack, uint32_t haystacklen, uint8_t *needle, uint32_t needlelen) {
    int i,j;
    int badcharacter[ALPHABET_LEN];
    int *goodsuffix = (int *)malloc(needlelen * sizeof(int));
    make_badcharacter(badcharacter, needle, needlelen);
    make_goodsuffix(goodsuffix, needle, needlelen);

    // The empty needletern must be considered specially
    if (needlelen == 0) return haystack;

    j = 0;
    while (j <= haystacklen - needlelen) {
        printf("%s\n", haystack);
        for(int s = 0; s < j; s++) printf(" ");
        printf("%s\n", needle);
        for (i = needlelen - 1; i >= 0 && haystack[j+i] == needle[i]; --i);
        if (i < 0) {
            free(goodsuffix);
            return (haystack + j);
        }
        else {
            printf("GsMoveStep=%d\n", goodsuffix[i] - needlelen + 1 + i);
            printf("BcMoveStep=%d\n", badcharacter[haystack[j+i]] - needlelen + 1 + i);
            int k = max(badcharacter[haystack[j+i]] - needlelen + 1 + i, goodsuffix[i] - needlelen + 1 + i);
            j += k;
        }
    }
    free(goodsuffix);
    return NULL;
}
int main(int argc, char const *argv[])
{
    char *s1 = "HERE IS A SIMPLE EXAMPLE";
    //char *s2 = "BABCDAB"
    char *s3 = "EXAMPLE";
    //char *idx1 = (char *)boyer_moore((uint8_t*)s1, (uint32_t)strlen(s1), (uint8_t*)s2, (uint32_t)strlen(s2));
    char *idx2 = (char *)boyer_moore((uint8_t*)s1, (uint32_t)strlen(s1), (uint8_t*)s3, (uint32_t)strlen(s3));
    //printf("%s\n", idx1);
    printf("%s\n", idx2);
    return 0;
}
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,456评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,370评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,337评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,583评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,596评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,572评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,936评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,595评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,850评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,601评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,685评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,371评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,951评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,934评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,167评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,636评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,411评论 2 342

推荐阅读更多精彩内容

  • 字符串匹配(查找)算法是一类重要的字符串算法(String Algorithm)。有两个字符串, 长度为m的hay...
    曾会玩阅读 3,806评论 4 8
  • 字符串匹配(查找)算法是一类重要的字符串算法(String Algorithm)。有两个字符串, 长度为m的hay...
    曾会玩阅读 590评论 0 2
  • 参考文章 知乎:如何更好的理解和掌握 KMP 算法?从头到尾彻底理解KMPKMP 算法(1):如何理解 KMP(原...
    Mjolnir1107阅读 971评论 0 0
  • 1、BF算法 假设现有一字符串,“BBC ABCDAB ABCDABCDABDE”将其称为给定串,相应有一匹配串“...
    橙小汁阅读 674评论 5 13
  • 引言 字符串匹配一直是计算机科学领域研究和应用的热门领域,算法的改进研究一直是一个十分困难的课题。作为字符串匹配中...
    潮汐行者阅读 1,624评论 2 6