字符串近似匹配算法
|
| 51自学网 http://www.wanshiok.com |
字符串的近似匹配，就是允许在匹配时有一定的误差，比如在字串“以前高手好久不见”中找“以前是高手”也能成功。具体地说，错误可以有三种类型：加字符（以前也是高手）、漏字符（以前高手）和替换字符（以前石膏手）。下面的函数在text中查找子串pat，最多允许有k个错误。返回的是匹配的终点（我还没想好如何确定起点，呵呵）。
至于算法的原理，现在一下子说不清楚，只能说这是一个非确定性有限自动机，以后有时间的话再详细介绍。有兴趣的话可以自己去看文章《Faster Approximate String Matching》, Algorithmica (1999) 23: 127-158。
算法的限制：(m-k)*(k+2) <= 64, 这里m是子串的长度。那个64是因为哦用了64位整数来编码自动机的状态。如果允许两个错误，则子串最长为18个字符，对一般应用来说足够了。
好了，废话少说，看算法吧。看不懂？没事了，哦也是半懂半不懂的。
char* amatch(const char* text, const char* pat, int k)
{
int m = strlen(pat);
assert(m-k>0);
assert((m-k)*(k+2)<= 64);
int j;
__int64 Din = 0;
__int64 M1 = 0;
__int64 M2 = 0;
__int64 M3 = 0;
__int64 G = 1 << k;
int onekp1 = (1 << (k+1)) - 1;
for (j=0; j<m-k; j++)
{
Din = (Din << (k+2))|onekp1;
M1 = (M1 << (k+2))|1;
if (j < m-k-1)
M2 = (M2 << (k+2)) | 1;
}
M2=(M2<<(k+2))|onekp1;
__int64 D=Din;
const char* s=text;
int c=*s++;
while(c)
{
int found=0;
const char* sp=pat;
for(j=0;j<k+1;j++)
{
int cp=*sp++;
if(c==cp)
{
found=1;
break;
}
}
if(found)
{
do
{
__int64 tc = 0;
const char* sp = pat;
for (j=0; j<m; j++)
{
int cp = *sp++;
if (c!=cp)
c|=(1<<j);
}
__int64 Tc = 0;
for (j=0; j<m-k; j++)
Tc = (Tc<<(k+2))|((tc>>j)&onekp1);
__int64 x = (D>>(k+2))|Tc;
D=((D<<1)|M1)&((D<<(k+3))|M2)&(((x+M1)^x)>>1)&Din;
if((D & G) == 0)
return (char*)s;
if(D != Din)
c = *s++;
}
while ( D != Din && c);
}
if (c)
c = *s++;
}
return NULL;
}
|
|
|
|
