字符串匹配算法（多模式串）

本文是数据结构与算法之美的学习笔记

上一篇了解了单模式串匹配算法，现在来学习多模式串匹配算法，首先需要了解Trie树

Trie树的概念

Trie树也叫字典树或者前缀树，它是一个树形的结构。是一种专门用来处理字符串匹配的数据结构，用来解决在一组字符串中快速查找某个字符串的问题。

谷歌，百度这种搜索引擎，输入框的关键词提示功能，底层原理就是使用了这种数据结构

Tire树是一种有序树，用于保存关联数组，一个结点的所有的子孙都有共同的前缀。Trie的本质就是利用字符串的公共前缀，把重复的前缀合并在一起。

• 根节点是空的，除了根结点之外，每个结点都只包含一个字符
• 从根结点到某一个结点的路径上的字符连起来，就是该结点对应的字符串
• 每个结点对应的子结点包含的字符串不同

从Trie树中查找一个字符串的时候，先把字符串分割成字符。比如“how”，分割成h,o,w。然后从Trie树的跟结点开始一个一个的匹配直到匹配到最后一个字符为止。

Trie的存储

从上面的图中可以看到，Trie树是一个多叉树，在二叉树中我们左右两个子结点可以通过两个指针来存储，多叉树该怎么存储呢？

我们可以通过字符串的ASCII码减去"a"的ASCII码来快速找到匹配的子结点的指针。比如d的ASCII码减去a的ASCII码是3，子节点d的位置就存储在数组下标为3的位置。

一个Trie的形成一般包含两步

1. 把一个字符串集合构造成Trie树
2. 在Trie树中查找一个字符串

public class Trie {
  private TrieNode root = new TrieNode('/'); // 存储无意义字符

  // 往 Trie 树中插入一个字符串
  public void insert(char[] text) {
    TrieNode p = root;
    for (int i = 0; i < text.length; ++i) {
      int index = text[i] - 'a';
      if (p.children[index] == null) {
        TrieNode newNode = new TrieNode(text[i]);
        p.children[index] = newNode;
      }
      p = p.children[index];
    }
    p.isEndingChar = true;
  }

  // 在 Trie 树中查找一个字符串
  public boolean find(char[] pattern) {
    TrieNode p = root;
    for (int i = 0; i < pattern.length; ++i) {
      int index = pattern[i] - 'a';
      if (p.children[index] == null) {
        return false; // 不存在 pattern
      }
      p = p.children[index];
    }
    if (p.isEndingChar == false) return false; // 不能完全匹配，只是前缀
    else return true; // 找到 pattern
  }

  public class TrieNode {
    public char data;
    public TrieNode[] children = new TrieNode[26];
    public boolean isEndingChar = false;
    public TrieNode(char data) {
      this.data = data;
    }
  }
}

优点：

每次查询的时候，如果要查询的字符串长度是k,那么我们只需要对比大约k个节点就能完成查询操作，跟原本的那组字符串的长度和没有任何关系，效率非常高。

缺点：

由于它强制要求每个节点都有一个数组，并且数组等长，这在实际的开发中会造成大多数数组中都是null，非常浪费空间。

上面使用单数组来存储Trie树是典型的通过空间换时间的策略。效率高但是非常浪费空间。

除了使用数组实现还可以使用list,hash表，双数组等下面这个文章写的清楚https://segmentfault.com/a/1190000008877595?utm_source=tag-newest

Trie树不适合用来做动态集合数据的查找，因为这个工作使用散列表或者红黑树更适合。它主要用于查找前缀匹配的字符串。比如搜索引擎中的关键词提示，IDE中的代码补全等。

AC自动机

很多论坛网站都会有敏感词过滤的功能，用来过滤掉一些淫秽，反动，谩骂等内容，这些功能实现的最基本的原理就是字符串匹配算法。通过维护一个敏感词的字典，当用户输入一段文字内容之后，通过字符串匹配算法来查找用户输入的这段文字。

因为有很多的敏感词，所以这时候需要用到多模式匹配算法

• 单模式串匹配算法是在一个主串中查找一个模式串
• 多模式串匹配算法是在一个主串中查找多个模式串

上一篇文章 字符串匹配算法（单模式串） 中的BF算法，RK算法，BM算法，KMP算法都是但莫使串匹配算法，Trie树是多模式串匹配算法。

1. 对敏感词进行预处理，构建成一个Trie树，这个预处理只需要处理一次，如果敏感词字典更新了，只需动态更新一下Trie树就行
2. 匹配：当用户输入一段文本内容之后，我们把用户输入的内容作为主串，从第一个字符开始在Trie树中匹配。当匹配到Trie树的叶子节点或者中途遇到不匹配的字符的时候，我们将主串的开始匹配的位置后移一位，从下一个字符开始匹配。

这种处理方法跟 上一篇文章 字符串匹配算法（单模式串） 中的BF算法很像。上一篇文章中的KMP算法优化了BF算法，让匹配失败的时候尽可能的多往后移动几位从而提高匹配效率。这里也可以根据KMP算法的思想，给Trie树有化，这就是AC自动机

AC自动机的构建包含两个操作：

• 多个模式串构建成Trie树
• 在Trie树上构建失败指针（类似KMP算法中的next数组）

Tire的构建文章最开始已经说了，怎么构建失败指针呢？

构造失败指针的过程就是：假设这个节点上的字母为c，沿着它父亲的失败指针走，直到走到一个节点，它儿子中也有字母c的节点，然后把当前节点的失败指针指向那个字母也为c的儿子，如果走到root也没找到，就把失败指针指向root如下图：

1. root根节点先入队，根节点的子节点的失败指针都指向root,图中a,b,b都指向root，同时a,b,c入队。
2. a出队，找a的子节点b的失败指针，首先a的失败指针指向root，有个节点为b的子节点，所以a的子节点b的失败指针指向root的子节点b，然后a的子节点b入队。
3. root的子节点b出队，找这个b的子节点c的失败指针，首先b的失败指针指向root，root有一个子节点为c，所以b的子节点c就指向这个root的子节点c，然后c入队。
4. root的子节点c出队，找这个c的子节点e的失败指针，首先c的失败指针指向root,root没有一个为e的子节点，所以e的失败指针直接指向root。
5. a的子节点b出队，找他的子节点c的失败指针，首先b的失败指针指向root的子节点b，而这个b的子节点为c，所以前面的c的失败指针就指向这个c。
6. 依次类推。

代码：

public void buildFailurePointer() {
  Queue<AcNode> queue = new LinkedList<>();
  root.fail = null;
  queue.add(root);
  while (!queue.isEmpty()) {
    AcNode p = queue.remove();
    for (int i = 0; i < 26; ++i) {
      AcNode pc = p.children[i];
      if (pc == null) continue;
      if (p == root) {
        pc.fail = root;
      } else {
        AcNode q = p.fail;
        while (q != null) {
          AcNode qc = q.children[pc.data - 'a'];
          if (qc != null) {
            pc.fail = qc;
            break;
          }
          q = q.fail;
        }
        if (q == null) {
          pc.fail = root;
        }
      }
      queue.add(pc);
    }
  }
}

至此AC自动机就构建完成了，如何在AC自动机上匹配主串呢？

比如主串是abbcdef

主串从i=0开始，AC自动机的指针p==root开始，

1. 对于i=0,1也就是a，b，指针p走到最左侧的节点b，b的子节点c跟主串的下一个位置也就是i=2不一样，因为b的失败指针指向root的子节点b，所以跳到root的子节点b开始匹配。
2. 匹配到c，因为这个c是黄的，所以匹配到的结果+1,并把这个c标记为已找出。然后继续匹配到d，d也是黄的，所以结果继续+1。
   3.继续匹配e，d的失败指针指向root,从root开始匹配没有继续匹配f,也没有完成匹配。

代码：

public void match(char[] text) { // text 是主串
  int n = text.length;
  AcNode p = root;
  for (int i = 0; i < n; ++i) {
    int idx = text[i] - 'a';
    while (p.children[idx] == null && p != root) {
      p = p.fail; // 失败指针发挥作用的地方
    }
    p = p.children[idx];
    if (p == null) p = root; // 如果没有匹配的，从 root 开始重新匹配
    AcNode tmp = p;
    while (tmp != root) { // 打印出可以匹配的模式串
      if (tmp.isEndingChar == true) {
        int pos = i-tmp.length+1;
        System.out.println(" 匹配起始下标 " + pos + "; 长度 " + tmp.length);
      }
      tmp = tmp.fail;
    }
  }
}

game over