- 论坛徽章:
- 0
|
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。- 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;
- }
复制代码 |
|