我实现 Rabin-Karp 算法只是为了好玩。我遇到了这个伪代码:
RABIN -KARP -MATCHER (T, P, d, q)
1 n = T.length
2 m = P.length
3 h = d^(m-1) mod q
4 p=0
5 t= 0
6 for i = 1 to m
/ preprocessing
/
7 p = (dp + P [i]) mod q
8 t = (dt + T [i]) mod q
9 for s = 0 to n-m
/ matching
/
10 if p == t
11 if P [1... m] == T [s + 1...s + m]
12 print “Pattern occurs with shift” s
13 if s < n-m
14 t = (d(t-T[s + 1]h) + T [s + m + 1]) mod q
我在 Python 2.7 中是这样实现的:
def Rabin_Karp_Matcher(text, pattern, d, q):
n = len(text)
m = len(pattern)
h = pow(d,m-1)%q
p = 0
t =0
result = []
for i in range(m): # preprocessing
p = (d*p+ord(pattern[i]))%q
t = (d*t+ord(text[i]))%q
for s in range(n-m):
if p == t: # check character by character
match = True
for i in range(m):
if pattern[i] != text[s+i]:
match = False
break
if match:
result = result + [s]
if s < n-m:
t = (d*(t-ord(text[s+1])*h)+ord(text[s+m]))%q #index out of bounds here
return result
其中 result 是一个列表,其中包含模式文本中的索引。
我的代码无法在 3141592653589793 中找到 26 我怀疑它与伪代码第 14 行定义的哈希码有关。谁能帮忙解决这个问题。
我传入了以下参数:
P = "26" T = “3141592653589793” d = 257 q = 11
P 和 T 必须是字符串/字符数组
最佳答案
这是您的代码的工作版本:
def Rabin_Karp_Matcher(text, pattern, d, q):
n = len(text)
m = len(pattern)
h = pow(d,m-1)%q
p = 0
t = 0
result = []
for i in range(m): # preprocessing
p = (d*p+ord(pattern[i]))%q
t = (d*t+ord(text[i]))%q
for s in range(n-m+1): # note the +1
if p == t: # check character by character
match = True
for i in range(m):
if pattern[i] != text[s+i]:
match = False
break
if match:
result = result + [s]
if s < n-m:
t = (t-h*ord(text[s]))%q # remove letter s
t = (t*d+ord(text[s+m]))%q # add letter s+m
t = (t+q)%q # make sure that t >= 0
return result
print (Rabin_Karp_Matcher ("3141592653589793", "26", 257, 11))
print (Rabin_Karp_Matcher ("xxxxx", "xx", 40999999, 999999937))
输出是:
[6]
[0, 1, 2, 3]
第一步,检查是否 text[0..m] == pattern
。在第二步,您要检查是否 text[1..m+1] == pattern
。因此,您从散列中删除 text[0]
(此时它乘以您预先计算的 h
):t = (t-h*ord(text[s ]))%q
。然后,向其中添加 text[m]
:t = (t*d+ord(text[s+m]))%q
。在下一步中,您删除 text[1]
并添加 text[m+1]
,依此类推。 t = (t+q)%q
行在那里是因为负数模 q
产生 (-q; 0] 范围内的余数
,我们希望它在 [0; q)
范围内。
请注意,您要检查总共 n-m+1
个子字符串,而不是 n-m
,因此正确的循环是 for s in range(n -m+1)
。通过第二个例子检查(在“xxxxx”中找到“xx”)。
另外值得注意的是:
如果
m
很大,h = pow(d,m-1)%q
行可能会太慢。最好在每次m-2
乘法后取模q
。这个算法在最坏的情况下仍然是 O(nm)。使用
text="a"*100000
和pattern="a"*50000
,它会找到 50001 个文本子串与模式匹配的位置,并检查它们所有字符一个字符。如果您希望您的代码在这种极端情况下能够快速运行,您应该跳过逐个字符的比较并找到一种方法来处理误报(即哈希值相等但字符串不相等)。选择一个大素数q
可能有助于将误报概率降低到可接受的水平。
关于Python:Rabin-Karp算法散列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/22216948/