Boyer-Moore算法是一个文本字符串搜索算法。和暴力搜索算法相比,它充分利用待搜索字符串的一些特征,加快了搜索的步骤。
首先来介绍基本概念。我们待搜素的文本称之为 text,我们想寻找的字符串叫pattern。显然文本text很长,我们从很长的文本搜索我们关心的关键字pattern。
首先最容易想到的办法就是暴力搜索,从头到尾,挨个比较,如果和pattern字符串不一致,右移一位,再次比较。
- int Naive_search(char text[],int textlen,char pattern[],int patternlen)
-
{
-
int i ;
-
int find = 0;
-
for(i = 0;i<(textlen - patternlen);i++)
-
{
-
if(memcmp(&(text[i]),pattern,patternlen) == 0)
-
{
-
find++;
-
FindThePattern(text,pattern,i);
-
}
-
-
}
-
return find;
-
}
暴力搜索最容易想到,但是它的效率太低。本文下面介绍Boyer-Moores算法。
Boyer-Moore的思想是这样的,通过预处理,获取pattern字符串的一些特征,通过这些特征,来减少不必要的比较。Boyer-Moore主要有两个启发策略来减少不必要的比较。
Boyer-Moore 算法扫描比较字符串是从右向左比较。和普通的从左到右的习惯有写不同,这种扫描有什么好处,大家理解了这个算法就明白了。
1 Bad Character 坏字符
看下面的字符串搜索,在文本“abbadabacbmnpbac”中搜索babac,我们按照从右到左的比较,text为d,而pattern为c,不匹配,按照暴力搜索的思想,我们应该右移一位,继续比较,如下图中的naive。再次比较text中的a 和pattern中的c。
但是我们注意观察下,就可以发现,上一轮比较中text中的d,在pattern字符串中根本就不存在,你右移一位,现在pattern中“babac”的倒数第二位a需要和text中的进行比较。很明显仍然不可能匹配,因为pattern中根本就没有d这个字符,无论那一位和d比较,都不会匹配,所以右移一位太保守,并没有充分利用pattern中的信息。看下图中BM哪一行,直接向右移动patternlen位。
OK,根据BM算法,我们安全移动到了第九位。发现text 为b,pattern为 c,不匹配,很不幸,这次b这个字符在pattern中存在,我们是不是只能移动一位呢。不一定,我们看到必须试图寻找和文本中的9位置的b重合的位置,pattern中的存在两个b。安全的策略是pattern最右边b的和*位置的b匹配,
换句话说,可以右移两位,如果右移4为,那就太激进了,容易漏掉某些匹配的项。
----------------------------------------------------------------------------------------
0 1 2 3 4 5 6 7 8 9 A B C D E F
text a b b a d a b a c b m n p b a c
pattern b a b a c
naive b a b a c (太保守,进行不必要的比较)
BM b a b a c
BM b a b a c (太激进,可能漏掉)
BM b a b a c
*
- text x y a c d e f
-
pattern a q b c d e f
-
bm a q b c d e f
详解:
f e d c 都已经匹配,第一个不匹配的是a,寻找pattern最右边的a与text中的a对齐。
text x y c c d e f
pattern c a b c d e f
BM c a b c d e f 错误的办法(走了回头路)
BM c a b c d e f
详解:
f e d c都已经匹配,按照前面的方法,应该寻找pattern最右边的c和text的蓝色的c对齐,但是pattern左移才能满足最右边的c与text中c对齐,这种情况下,肯定不能走回头路,简单的右移一位就可以了。
----------------------------------------------------------------------------------------
通过上面的分析我们可以看出,要想利用坏字符的启发策略,我们需要几下每个字符最右边一次出现的位置。
1 没出现过的字符一律定为pattern的长度。
2 pattern中出现过的字符,最后一次出现该字符的位置 i。
下面给出函数
- #define __CHAR_MAX (255)
- int preBM_bad(char* pattern ,int len,int rightmost_occur[])
-
{
-
int i;
-
for(i = 0;i<__CHAR_MAX;i++)
-
rightmost_occur[i] = len;
-
for(i = 0;i<len;i++)
-
{
- rightmost_occur[pattern[i]] = i;
-
}
-
return 0;
-
}
2 好后缀启发策略 good suffix shift
假如说,pattern的后u个字符和text都已经匹配了,但是接下来的一个字符不匹配,如下图所示,我需要移动才能匹配。如果说后u个字符在pattern其他位置也出现过,这种情况非常好,我们将pattern右移到前面的u个字符和最后的u个字符相同
text a b w u t u q y x a b c d m n p q x
pattern n w a b c d p m n a b c d
BM n w a b c d p m n a b c d
另外一种情况是pattern 的最前r个字符和最后r个字符是一模一样的,这种情况也会给我们带来额外的信息。
*
text a b w u t u q m n a b c d m n p q x
pattern a b c d p m n a b c d
BM a b c d p m n a b c d
为了利用good suffix,我们需要先计算suffix。
1 suffix[patternlen-1] = patternlen;
2 suffix[i] = k
for [ pattern[i-k+1] ....,pattern[i]] == [pattern[patternlen-1-k+1],pattern[patternlen-1]]
如下图,
- pattern n w a b c d p m n a b c d
-
suffix 0 0 0 0 0 4 0 0 0 0 0 0 13
上代码
- int calc_goodsuffix(char* pattern,int len,int suffix[])
-
{
-
int i,j,k;
-
int result;
-
suffix[len-1] = len;
-
-
for(i = len-2;i>=0;i--)
-
{
-
k = i;
-
j=len-1;
-
result = 0;
- while(pattern[k--]==pattern[j--])
-
{
-
result++;
-
}
-
suffix[i] = result;
-
}
-
return 0;
-
}
-
-
int preBM_good(char* pattern ,int len,int goodskip[])
-
{
-
int i,j;
-
int *suffix = malloc(len*sizeof(int));
-
if(suffix == NULL)
-
{
- printf("malloc failed for preBM_good\n ");
-
return -1;
-
}
-
-
calc_goodsuffix(pattern,len,suffix);
-
- for(i = 0;i<len;i++)
-
{
- goodskip[i] = len;
-
}
-
j = 0;
- /*最前和最后的i+1个字符一致*/
-
for(i = len-2;i>=0;--i)
-
{
- if(suffix[i] == i+1) /*consider the pattern "ABCDMNPABCD"*/
-
{
- for(;j<len-1-i;j++)
- {
-
if(goodskip[j] == len) /*consider the pattern BBBBMNPBBBB*/
- {
-
goodskip[j] = len-1-i;
-
}
-
}
-
}
-
}
-
-
for(i = 0;i<len-2;i++)
-
{
- goodskip[len-1-suffix[i]] = len-1-i;
-
}
-
-
if(suffix)
- free(suffix);
-
return 0;
-
-
}
最后给出boyer-moore算法的主函数
- int BM_search(char* text,int textlen,char* pattern,int patternlen)
-
{
-
int i,j;
-
int ret;
-
int rightmost[__CHAR_MAX];
-
int find = 0;
-
int badskip;
-
-
int *goodskip = malloc(sizeof(int)*patternlen) ;
-
if(goodskip == NULL)
-
{
- printf("malloc for goodskip failed\n");
-
return -1;
-
}
-
-
preBM_bad(pattern ,patternlen,rightmost);
-
ret = preBM_good(pattern,patternlen,goodskip);
-
if(ret != 0)
-
{
-
printf("preBM_good failed\n");
-
return -2;
-
}
-
-
j = 0;
-
while(j < textlen - patternlen)
-
{
-
for(i = patternlen-1;i>=0 && pattern[i] == text[j+i];i--)
-
{
-
;
-
}
-
if(i<0)
-
{
- FindThePattern(text,pattern,j);
- j += goodskip[0];
- find++;
-
}
-
else
-
{
- if(i - rightmost[text[j+i]] >0)
-
badskip = i - rightmost[text[j+i]];
-
else
-
badskip = 1;/*不走回头路*/
-
- j+=Max(goodskip[i],badskip);
-
}
-
}
-
-
if(goodskip)
-
{
- free(goodskip);
-
}
-
return find;
-
}
参考文献:
1
阅读(13027) | 评论(6) | 转发(4) |