字符串-KMP

字符串-KMP

作用：在一个文本字符串中找模式字符串出现次数、位置。
前缀知识： $\color{#60d000}\texttt{字符串}$。
算法名字来源：发明人 $\texttt{Knuth(D.E.Knuth)\&Morris(J.H.Morris)\&Pratt(V.R.Pratt)}$。

讲解：

比如要在文本字符串 $a=\texttt{ababaababaabab}$ 中找模式字符串 $b=\texttt{abaabab}$，暴力的做法就是枚举 $a[i]==b[1]$，然后对 $a[i\sim i+len(b)-1]$ 和 $b[1\sim len(b)]$ 进行匹配，代码：

#include <bits/stdc++.h>
using namespace std;
const int N=1e6+10;
int n,m,ans;
char a[N],b[N];
int main(){
	scanf("%s%s",a+1,b+1);
	n=strlen(a+1),m=strlen(b+1);
	for(int i=1;i<=n-m+1;i++)
		if(a[i]==b[1]){
			bool ok=1;
			for(int j=2;j<=m;j++)
				if(a[i+j-1]!=b[j]){ok=0;break;} //#
			if(ok) ans++;
		}
	printf("%d\n",ans);
	return 0;
}

时间复杂度为 $\Theta(n\times m)$，爆率百分百。而 $\Theta(n+m)$ 的KMP的精华就在于，每次上面代码标记的那行失配（匹配失败， $a[i+j-1]!=b[j]$）以后，不需要让模式串 $b$ 从头开始匹配，而是跳到一个固定的位置，开始匹配。

如下，灰色表示待匹配，绿色表示正在匹配（成功），红色表示正在匹配（失败），黑色表示已经匹配：

$\color{gray}\texttt{ababaababaabab}$
$\color{gray}\texttt{abaabab}$

$\color{#60c000}\texttt{a}\color{gray}\texttt{babaababaabab}$
$\color{#60c000}\texttt{a}\color{gray}\texttt{baabab}$

$\color{black}\texttt{a}\color{#60c000}\texttt{b}\color{gray}\texttt{abaababaabab}$
$\color{black}\texttt{a}\color{#60c000}\texttt{b}\color{gray}\texttt{aabab}$

$\color{black}\texttt{ab}\color{#60c000}\texttt{a}\color{gray}\texttt{baababaabab}$
$\color{black}\texttt{ab}\color{#60c000}\texttt{a}\color{gray}\texttt{abab}$

$\color{black}\texttt{aba}\color{red}\texttt{b}\color{gray}\texttt{aababaabab}$
$\color{black}\texttt{aba}\color{red}\texttt{a}\color{gray}\texttt{bab}$

文本串和模式串失配，不需要如下让模式串 $b$ 从头开始匹配:

$\color{black}\texttt{a}\color{red}\texttt{b}\color{gray}\texttt{abaababaabab}$
$\color{red}\texttt{ a}\color{gray}\texttt{baabab}$ ←错误示范

而是应该这样：

$\color{black}\texttt{aba}\color{#60c000}\texttt{b}\color{gray}\texttt{aababaabab}$
$\color{black}\texttt{~~a}\color{#60c000}\texttt{b}\color{gray}\texttt{aabab}$

这时我能感受到你诧异的表情，这不是玄学穿越，而是有依据的。对于模式串 $b$ 成功匹配的前三个字符 $\texttt{aba}$，满足该字符串最多前 $1$ 个字符等于后 $1$ 个字符，而前 $2$ 个字符就不等于后 $2$ 个字符了。所以这时，就可以知道两点：
1. $b$ 的前 $1$ 个字符能和 $a$ 的第 $3\sim 3$ 个字符匹配。
2.如果把 $b$ 的第 $1$ 个字符对 $a$ 的第 $2\sim 2$ 个字符，必将不会整个匹配成功。

所以根据 $b$ 前 $3$ 个字符组成的子串中最多前几个字符等于后几个字符，就可以得出失配后跳转的方法。为了更全面具体的解说，看如下继续匹配：

$\color{black}\texttt{abab}\color{#60c000}\texttt{a}\color{gray}\texttt{ababaabab}$
$\color{black}\texttt{~~ab}\color{#60c000}\texttt{a}\color{gray}\texttt{abab}$

$\color{black}\texttt{ababa}\color{#60c000}\texttt{a}\color{gray}\texttt{babaabab}$
$\color{black}\texttt{~~aba}\color{#60c000}\texttt{a}\color{gray}\texttt{bab}$

$\color{black}\texttt{ababaa}\color{#60c000}\texttt{b}\color{gray}\texttt{abaabab}$
$\color{black}\texttt{~~abaa}\color{#60c000}\texttt{b}\color{gray}\texttt{ab}$

$\color{black}\texttt{ababaab}\color{#60c000}\texttt{a}\color{gray}\texttt{baabab}$
$\color{black}\texttt{~~abaab}\color{#60c000}\texttt{a}\color{gray}\texttt{b}$

$\color{black}\texttt{ababaaba}\color{#60c000}\texttt{b}\color{gray}\texttt{aabab}$
$\color{black}\texttt{~~abaaba}\color{#60c000}\texttt{b}$

如上，成功发现了一个模式串 $b$ 在文本串 $a$ 中出现的位置。这时候就不能在再沿着 $b$ 继续匹配下去了，所以也可以看作是失配。因为对于字符串 $b$ 的成功匹配的前 $7$ 个字符组成的字符串，满足前两个字符等于后两个字符等于 $\texttt{ab}$，所以这么跳转匹配：

$\color{black}\texttt{ababaabab}\color{#60c000}\texttt{a}\color{gray}\texttt{abab}$
$\color{black}\texttt{~~~~~~~ab}\color{#60c000}\texttt{a}\color{gray}\texttt{abab}$

$\color{black}\texttt{ababaababa}\color{#60c000}\texttt{a}\color{gray}\texttt{bab}$
$\color{black}\texttt{~~~~~~~aba}\color{#60c000}\texttt{a}\color{gray}\texttt{bab}$

$\color{black}\texttt{ababaababaa}\color{#60c000}\texttt{b}\color{gray}\texttt{ab}$
$\color{black}\texttt{~~~~~~~abaa}\color{#60c000}\texttt{b}\color{gray}\texttt{ab}$

$\color{black}\texttt{ababaababaab}\color{#60c000}\texttt{a}\color{gray}\texttt{b}$
$\color{black}\texttt{~~~~~~~abaab}\color{#60c000}\texttt{a}\color{gray}\texttt{b}$

$\color{black}\texttt{ababaababaaba}\color{#60c000}\texttt{b}$
$\color{black}\texttt{~~~~~~~abaaba}\color{#60c000}\texttt{b}$

然后又发现一个模式串 $b$ 在文本串 $a$ 中出现的位置，并且所有 $a$ 的所有字符都已经匹配结束，所以结束匹配。最终得出， $b$ 在 $a$ 中出现了 $2$ 次，两次中 $b$ 的第一个字符分别对应 $a$ 的第 $3$ 个和第 $8$ 个字符。

所以如果我们现在已经有数组 $nex[x]$ 表示 $b$ 的前 $x$ 个字符所组成的字符串中，最多前 $nex[x]$ 个字符与后 $nex[x]$ 个字符完全一样（ $0\le nex[x]< x$），那么匹配的代码就可以这么写：

#include <bits/stdc++.h>
using namespace std;
const int N=1e6+10;
class charstar{  //字符串
//个人比较喜欢用class，如果不懂可以去查查class的用法
public:char arr[N];
	int len;
	char& operator[](int x){return arr[x];}
	void leng(){len=strlen(arr+1);}
}a;
class KMP:public charstar{
public:
	int nex[N];
	void build(){
   		 //构造nex[]数组的函数先不说
	}
	void found(charstar&book,queue<int>&q){//book表示a,arr表示b本身
		for(int i=1,j=0;i<=book.len;i++){
			while(j&&book[i]!=arr[j+1]) j=nex[j];
			if(book[i]==arr[j+1]) j++;
			if(j==len) q.push(i-len+1),j=nex[j];
		}
	}
}b;
queue<int> ans;
int main(){	 
	scanf("%s%s",&a[1],&b[1]);
	a.leng(),b.leng();
	b.build(),b.found(a,ans);
	while(ans.size()) printf("%d\n",ans.front()),ans.pop();//输出每次成功匹配时b[1]对应a[几]
	for(int i=1;i<=b.len;i++) printf("%d%c",b.nex[i],"\n "[i<b.len]);
	return 0;
}

这样的算法时间复杂度是 $\Theta(n+m)$ 的，为了保证复杂度，求 $nex[]$ 数组也必须 $\Theta(m+m)$。聪明的三个科学家想到了一个很微妙的方法—— $b$ 自己匹配自己。这就难解释了，放代码：

void build(){
	//nex[1]=0; 因为main外定义的数组值默认为0,0<=nex[i]<i
	for(int i=2,j=0;i<=len;i++){
		while(j&&arr[j+1]!=arr[i]) j=nex[j];
		if(arr[j+1]==arr[i]) j++;
		nex[i]=j;
	}
}

和上面的匹配几乎一模一样。

如果你懂了，蒟蒻就放代码了：

#include <bits/stdc++.h>
using namespace std;
const int N=1e6+10;
class charstar{
public:char arr[N];
	int len;
	char& operator[](int x){return arr[x];}
	void leng(){len=strlen(arr+1);} 
}a;
class KMP:public charstar{
public:
	int nex[N];
	void build(){ 
		for(int i=2,j=0;i<=len;i++){
			while(j&&arr[j+1]!=arr[i]) j=nex[j];
			if(arr[j+1]==arr[i]) j++;
			nex[i]=j;
		}
	}
	void found(charstar&book,queue<int>&q){
		for(int i=1,j=0;i<=book.len;i++){
			while(j&&book[i]!=arr[j+1]) j=nex[j];
			if(book[i]==arr[j+1]) j++;
			if(j==len) q.push(i-len+1),j=nex[j];
		}
	}
}b;
queue<int> ans;
int main(){	 
	scanf("%s%s",&a[1],&b[1]);
	a.leng(),b.leng();
	b.build(),b.found(a,ans);
	while(ans.size()) printf("%d\n",ans.front()),ans.pop();
	for(int i=1;i<=b.len;i++) printf("%d%c",b.nex[i],"\n "[i<b.len]);
	return 0;
}

如果你看不惯这种匹配双重循环的版本，另一个版本：

#include <bits/stdc++.h>
using namespace std;
const int N=1e6+10;
class charstar{
public:char arr[N];
	int len;
	char& operator[](int x){return arr[x];}
	void leng(){len=strlen(arr+1);}
}s1;
class KMP:public charstar{
public:
	int nex[N];
	void build(){ 
		for(int i=1,j=0;i<=len;)
			if(!j||arr[i]==arr[j]) nex[++i]=++j;
			else j=nex[j];
	}
	void found(charstar&book,queue<int>&q){
		for(int i=1,j=1;i<=book.len;){
			if(!j||book[i]==arr[j]) i++,j++;
			else j=nex[j];
			if(j==len+1) q.push(i-len),j=nex[j];
		}
	}
}s2;
queue<int> ans;
int main(){	 
	scanf("%s%s",&s1[1],&s2[1]);
	s1.leng(),s2.leng();
	s2.build(),s2.found(s1,ans);
	while(ans.size()) printf("%d\n",ans.front()),ans.pop();
	for(int i=1;i<=s2.len;i++) printf("%d%c",s2.nex[i+1]-1,"\n "[i<s2.len]);
	return 0;
}

字符串学习之路（ $\texttt{★}$ 表示当前学习知识）：
$\color{#cccccc}\texttt{hash}\color{#aaaaff}\texttt{-}\color{#8888ff}\texttt{kmp}\color{#000000}\texttt{★}\color{#88cccc}\texttt{-}\color{#88ff88}\texttt{manacher}\color{#cccc88}\texttt{-}\color{#dddd44}\texttt{exkmp}\color{#eeaa44}\texttt{-}\color{#ffaa00}\texttt{trie}\color{#ff8800}\texttt{-}\color{#ee2200}\texttt{acam}\color{#ee0088}\texttt{-}\color{#cc00ff}\texttt{sa}\color{#660077}\texttt{-}\color{#555555}\texttt{sam}\color{#272727}\texttt{-}\color{#000000}\texttt{pam}$

祝大家学习愉快！