字串匹配

給定乙個目標字串string，和乙個模式字串sub，求sub是否是string的子串的問題就叫做字串匹配，也叫做模式匹配。

列舉string的每乙個長度為sub.length()的子串，然後檢查其是否和sub相同。

//    判斷a[i:j)與b[l:r)是否相同
public
boolean
isequals
(string a,
int i,
int j, string b,
int l,
int r)
return
true;}
public
boolean
ismatch
(string string, string sub)
return
false
;}

rabin-karp演算法是利用的hash演算法，將乙個字串對映成乙個唯一的hash值，如果兩個字串的hash值不同，那麼這兩個字串一定不相同；如果hash值相同，因為可能存在衝突（當然這個衝突的可能很小），所以為了確定是否真的相同，還需要對兩個字串進行一次遍歷，進行一一比對。

將字串對映成hash的方法：

設字串為s[0,1,2,…,n]，則s[0,1,2,…,i]的hash值這麼計算：

h as

h(s[

0,1,

2,..

.,i]

)=∑j

=0ib

i−j∗

s[j]

(mod

,hash(s[0,1,2,...,i]) = \sum_^b^*s[j] (mod\quad p),

hash(s

[0,1

,2,.

..,i

])=j

=0∑i

bi−

j∗s[

j](m

odp)

,其中，b表示乙個基底（base），一般選用乙個大於s中元素表示範圍的最小質數（對於純字母組成的字串，字母的表示範圍為0-25共26個，因此本人選用的是31這個質數）。s[j]在參與運算時表示它的ascii值，例如』a』=97，『b』=98。p是乙個較大的質數（本人用的16777619），之所以求模是因為計算機的基本資料結構能表示的資料範圍有限，容易溢位。而選用質數為模的原因是可以減少衝突的發生。

有了s[0,1,2,…,i]的hash值，當我們要計算s[1,2,3,…,i,i+1]的hash值時，就不用重新逐個遍歷它裡面的每乙個字元了，根據上面的式子，我們可以得到：

h as

h(s[

1,2,

3,..

.,i,

i+1]

)=(h

ash(

s[0,

1,2,

...,

i])−

s[0]

∗bi)

∗b+s

[i+1

]（mo

dp），

hash(s[1,2,3,...,i,i+1]) = (hash(s[0,1,2,...,i]) - s[0] * b^i) * b + s[i+1] （mod \quad p），

hash(s

[1,2

,3,.

..,i

,i+1

])=(

hash

(s[0

,1,2

,...

,i])

−s[0

]∗bi

)∗b+

s[i+

1]（m

odp）

，因此可以在o(1)的時間複雜度內計算出hash值（除了第一次），這個演算法快就快在這裡。

public
class
stringdemo
return
true;}
public
boolean
rabinkarp
(string string, string sub)
//        system.out.println(hash+", "+hashsub+", "+pow);
if(hash == hashsub &&
isequals
(string,
0, sub.
length()
, sub,
0, sub.
length()
))for(
int i = sub.
length()
; i < string.
length()
; i++)}
return
false;}
public
static
void
main
(string[
] args)
}

其中有乙個細節需要注意一下，就是計算機的求餘%運算和數學中的求模運算有一點區別：在對負數求餘%時，得到的是乙個負數，例如-12%10 = -2，但是-12 mod 10 = 8，為了消除負數的影響，當對負數求模時，這麼算，-12 mod 10 =（-12%10 + 10）%10。

下午的時候看了不少部落格都沒有具體的實現，公式倒是講的比我清楚，但是都沒說溢位怎麼處理，要是沒有溢位的處理辦法，那麼只能計算長度比較小的子串了，稍微大一點就容易溢位。為了防止溢位，我們使用了求模運算。

求模運算有幾個性質（四則運算的，即加減乘除的模等於模的加減乘除再求模），然後因為冪運算是由乘法變過來的，因此也是符合的，這些運算的混合也還是符合求模的性質。可能說的有點混亂，什麼意思呢，就是對乙個大式子求模時可以先將其單項求模然後運算再求模。為什麼要步步求模，就是因為害怕溢位，等你求出了大式子的結果再求模，很可能中間已經發生了溢位，那麼結果就不會正確了。

大質數p要選用的合適，也不能太大，最好是小於int型最大值的2次方根。為什麼呢？例如a*b (mod p) = (a mod p) * (b mod p) (mod p)，如果p大於int型最大值的2次方根，那麼等式後面的(a mod p) * (b mod p)就面臨著溢位的風險，造成求模結果錯誤。

那麼為什麼我還是選用了16777619這麼大的乙個數？那是因為經過我的計算，122 * 16777619 = 2046869518恰好不會發生溢位，122是』z』的ascii值，這是整個算式中最有可能發生溢位的地方，這裡都沒有溢位的話，其他的地方也不會再發生溢位了。

我們來分析一下：

首先是這裡

for
(int i =
0; i < sub.
length()
; i++
)

**第2行hashsub最大值×31不會大於231-1，因為hashsub每一步都是模後的結果，因此其最大值為16777619-1，而sub.charat(i)的最大值為』z』的ascii值122，因此這個式子的最大結果為520106280，可以看到並沒有溢位。

**第3行同上。

**第4行分析同上。

然後看這裡，

hash =
(hash *
31+ string.
charat
(i))
% prime;
hash =((
(hash - string.
charat
(i - sub.
length()
)* pow)
% prime)
+ prime)
% prime;

第1行的分析同上面一樣；

第2行最容易發生溢位的地方在於這個乘法運算：string.charat(i - sub.length()) * pow，但是上面也已經分析過，這個式子並不會發生溢位。不過這一行和前面不一樣的地方在於這裡有乙個減法運算，可能會出現負數，因此要按照前面提到的方法進行修正。

因此最終我們得到了這樣的結論，我選用的這個質數並不會造成溢位。而且因為它足夠的大，基本上不會發生碰撞。

有的部落格裡面提到可以直接使用231作為p，正好直接將模運算當成溢位運算，但是我是沒想明白，這種情況a*b (mod p) = (a mod p) * (b mod p) (mod p)他們是怎麼得出正確的結果的。

字串匹配

字串匹配

字串匹配

字串匹配

相關推薦