我要检查一篇文章中是否有某些敏感词,这其实就是多模式匹配的问题。当然你也可以用 KMP 算法求出,那么它的时间复杂度为 O(c*(m+n)),c:为模式串的个数。m:为模式串的长度,n:为正文的长度,那么这个复杂度就不再是线性了,我们学算法就是希望能把要解决的问题优化到极致,这不,AC 自动机就派上用场了。
其实 AC 自动机就是 Trie 树的一个活用,活用点就是灌输了 kmp 的思想,从而再次把时间复杂度优化到线性的 O(N),刚好我前面的文章已经说过了 Trie 树和 KMP,这里还是默认大家都懂。
一、构建 AC 自动机
同样我也用网上的经典例子,现有 say she shr he her 这样 5 个模式串,主串为 yasherhs,我要做的就是哪些模式串在主串中出现过?
1、构建 trie 树
如果看过我前面的文章,构建 trie 树还是很容易的。
2、失败指针
构建失败指针是 AC 自动机的核心所在,玩转了它也就玩转了 AC 自动机,失败指针非常类似于 KMP 中的 next 数组,也就是说,当我的主串在 trie 树中进行匹配的时候,如果当前节点不能再继续进行匹配,那么我们就会走到当前节点的 failNode 节点继续进行匹配,构建 failnode 节点也是很流程化的。
①:root 节点的子节点的 failnode 都是指向 root。
②:当走到在“she”中的”h“节点时,我们给它的 failnode 设置什么呢?此时就要走该节点(h)的父节点(s)的失败指针,一直回溯直到找到某个节点的孩子节点也是当初节点同样的字符(h),没有找到的话,其失败指针就指向 root。比如:h 节点的父节点为 s,s 的 failnode 节点为 root,走到 root 后继续寻找子节点为 h 的节点,恰好我们找到了,(假如还是没有找到,则继续走该节点的 failnode,嘿嘿,是不是很像一种回溯查找),此时就将 ”she"中的“h”节点的 fainode"指向"her"中的“h”节点,好,原理其实就是这样。(看看你的想法是不是跟图一样)
针对图中红线的”h,e“这两个节点,我们想起了什么呢?对”her“中的”e“来说,e 到 root 距离的 n 个字符恰好与”she“中的 e 向上的 n 个字符相等,我也非常类似于 kmp 中 next 函数,当字符失配时,next 数组中记录着下一次匹配时模式串的起始位置。
#region Trie树节点/// <summary>/// Trie树节点/// </summary>public class TrieNode{/// <summary>/// 26个字符,也就是26叉树/// </summary>public TrieNode[] childNodes;/// <summary>/// 词频统计/// </summary>public int freq;/// <summary>/// 记录该节点的字符/// </summary>public char nodeChar;/// <summary>/// 失败指针/// </summary>public TrieNode faliNode;/// <summary>/// 插入记录时的编号id/// </summary>public HashSet<int> hashSet = new HashSet<int>();/// <summary>/// 初始化/// </summary>public TrieNode(){childNodes = new TrieNode[26];freq = 0;}}#endregion
刚才说到了 parent 和 current 两个节点,在给 trie 中的节点赋 failnode 的时候,如果采用深度优先的话还是很麻烦的,因为我要实时记录当前节点的父节点,相信写过树的朋友都清楚,除了深搜,我们还有广搜。
/// <summary>/// 构建失败指针(这里我们采用BFS的做法)/// </summary>/// <param name="root"></param>public void BuildFailNodeBFS(ref TrieNode root){//根节点入队queue.Enqueue(root);while (queue.Count != 0){//出队var temp = queue.Dequeue();//失败节点TrieNode failNode = null;//26叉树for (int i = 0; i < 26; i++){//代码技巧:用BFS方式,从当前节点找其孩子节点,此时孩子节点// 的父亲正是当前节点,(避免了parent节点的存在)if (temp.childNodes[i] == null)continue;//如果当前是根节点,则根节点的失败指针指向rootif (temp == root){temp.childNodes[i].faliNode = root;}else{//获取出队节点的失败指针failNode = temp.faliNode;//沿着它父节点的失败指针走,一直要找到一个节点,直到它的儿子也包含该节点。while (failNode != null){//如果不为空,则在父亲失败节点中往子节点中深入。if (failNode.childNodes[i] != null){temp.childNodes[i].faliNode = failNode.childNodes[i];break;}//如果无法深入子节点,则退回到父亲失败节点并向root节点往根部延伸,直到null//(一个回溯再深入的过程,非常有意思)failNode = failNode.faliNode;}//等于null的话,指向root节点if (failNode == null)temp.childNodes[i].faliNode = root;}queue.Enqueue(temp.childNodes[i]);}}}
3、模式匹配
所有字符在匹配完后都必须要走 failnode 节点来结束自己的旅途,相当于一个回旋,这样做的目的防止包含节点被忽略掉。比如:我匹配到了"she",必然会匹配到该字符串的后缀”he",要想在程序中匹配到,则必须节点要走失败指针来结束自己的旅途。
从上图中我们可以清楚的看到“she”的匹配到字符"e"后,从 failnode 指针撤退,在撤退途中将其后缀字符“e”收入囊肿,这也就是为什么像 kmp 中的 next 函数。
/// <summary>
/// 根据指定的主串,检索是否存在模式串
/// </summary>
/// <param name="root"></param>
/// <param name="s"></param>
/// <returns></returns>
public void SearchAC(ref TrieNode root, string s, ref HashSet<int> hashSet)
{int freq = 0;TrieNode head = root;foreach (var c in s){//计算位置int index = c - 'a';//如果当前匹配的字符在trie树中无子节点并且不是root,则要走失败指针//回溯的去找它的当前节点的子节点while ((head.childNodes[index] == null) && (head != root))head = head.faliNode;//获取该叉树head = head.childNodes[index];//如果为空,直接给root,表示该字符已经走完毕了if (head == null)head = root;var temp = head;//在trie树中匹配到了字符,标记当前节点为已访问,并继续寻找该节点的失败节点。//直到root结束,相当于走了一个回旋。(注意:最后我们会出现一个freq=-1的失败指针链)while (temp != root && temp.freq != -1){freq += temp.freq;//将找到的id追加到集合中foreach (var item in temp.hashSet)hashSet.Add(item);temp.freq = -1;temp = temp.faliNode;}}
}
好了,到现在为止,我想大家也比较清楚了,最后上一个总的运行代码:
using System;using System.Collections.Generic;using System.Linq;using System.Text;using System.Diagnostics;using System.Threading;using System.IO;namespace ConsoleApplication2{public class Program{public static void Main(){Trie trie = new Trie();trie.AddTrieNode("say", 1);trie.AddTrieNode("she", 2);trie.AddTrieNode("shr", 3);trie.AddTrieNode("her", 4);trie.AddTrieNode("he", 5);trie.BuildFailNodeBFS();string s = "yasherhs";var hashSet = trie.SearchAC(s);Console.WriteLine("在主串{0}中存在模式串的编号为:{1}", s, string.Join(",", hashSet));Console.Read();}}public class Trie{public TrieNode trieNode = new TrieNode();/// <summary>/// 用光搜的方法来构建失败指针/// </summary>public Queue<TrieNode> queue = new Queue<TrieNode>();#region Trie树节点/// <summary>/// Trie树节点/// </summary>public class TrieNode{/// <summary>/// 26个字符,也就是26叉树/// </summary>public TrieNode[] childNodes;/// <summary>/// 词频统计/// </summary>public int freq;/// <summary>/// 记录该节点的字符/// </summary>public char nodeChar;/// <summary>/// 失败指针/// </summary>public TrieNode faliNode;/// <summary>/// 插入记录时的编号id/// </summary>public HashSet<int> hashSet = new HashSet<int>();/// <summary>76 /// 初始化77 /// </summary>78 public TrieNode()79 {80 childNodes = new TrieNode[26];81 freq = 0;82 }83 }84 #endregion85 86 #region 插入操作87 /// <summary>88 /// 插入操作89 /// </summary>90 /// <param name="word"></param>91 /// <param name="id"></param>92 public void AddTrieNode(string word, int id)93 {94 AddTrieNode(ref trieNode, word, id);95 }96 97 /// <summary>98 /// 插入操作99 /// </summary>
100 /// <param name="root"></param>
101 /// <param name="s"></param>
102 public void AddTrieNode(ref TrieNode root, string word, int id)
103 {
104 if (word.Length == 0)
105 return;
106
107 //求字符地址,方便将该字符放入到26叉树中的哪一叉中
108 int k = word[0] - 'a';
109
110 //如果该叉树为空,则初始化
111 if (root.childNodes[k] == null)
112 {
113 root.childNodes[k] = new TrieNode();
114
115 //记录下字符
116 root.childNodes[k].nodeChar = word[0];
117 }
118
119 var nextWord = word.Substring(1);
120
121 //说明是最后一个字符,统计该词出现的次数
122 if (nextWord.Length == 0)
123 {
124 root.childNodes[k].freq++;
125 root.childNodes[k].hashSet.Add(id);
126 }
127
128 AddTrieNode(ref root.childNodes[k], nextWord, id);
129 }
130 #endregion
131
132 #region 构建失败指针
133 /// <summary>
134 /// 构建失败指针(这里我们采用BFS的做法)
135 /// </summary>
136 public void BuildFailNodeBFS()
137 {
138 BuildFailNodeBFS(ref trieNode);
139 }
140
141 /// <summary>
142 /// 构建失败指针(这里我们采用BFS的做法)
143 /// </summary>
144 /// <param name="root"></param>
145 public void BuildFailNodeBFS(ref TrieNode root)
146 {
147 //根节点入队
148 queue.Enqueue(root);
149
150 while (queue.Count != 0)
151 {
152 //出队
153 var temp = queue.Dequeue();
154
155 //失败节点
156 TrieNode failNode = null;
157
158 //26叉树
159 for (int i = 0; i < 26; i++)
160 {
161 //代码技巧:用BFS方式,从当前节点找其孩子节点,此时孩子节点
162 // 的父亲正是当前节点,(避免了parent节点的存在)
163 if (temp.childNodes[i] == null)
164 continue;
165
166 //如果当前是根节点,则根节点的失败指针指向root
167 if (temp == root)
168 {
169 temp.childNodes[i].faliNode = root;
170 }
171 else
172 {
173 //获取出队节点的失败指针
174 failNode = temp.faliNode;
175
176 //沿着它父节点的失败指针走,一直要找到一个节点,直到它的儿子也包含该节点。
177 while (failNode != null)
178 {
179 //如果不为空,则在父亲失败节点中往子节点中深入。
180 if (failNode.childNodes[i] != null)
181 {
182 temp.childNodes[i].faliNode = failNode.childNodes[i];
183 break;
184 }
185 //如果无法深入子节点,则退回到父亲失败节点并向root节点往根部延伸,直到null
186 //(一个回溯再深入的过程,非常有意思)
187 failNode = failNode.faliNode;
188 }
189
190 //等于null的话,指向root节点
191 if (failNode == null)
192 temp.childNodes[i].faliNode = root;
193 }
194 queue.Enqueue(temp.childNodes[i]);
195 }
196 }
197 }
198 #endregion
199
200 #region 检索操作
201 /// <summary>
202 /// 根据指定的主串,检索是否存在模式串
203 /// </summary>
204 /// <param name="s"></param>
205 /// <returns></returns>
206 public HashSet<int> SearchAC(string s)
207 {
208 HashSet<int> hash = new HashSet<int>();
209
210 SearchAC(ref trieNode, s, ref hash);
211
212 return hash;
213 }
214
215 /// <summary>
216 /// 根据指定的主串,检索是否存在模式串
217 /// </summary>
218 /// <param name="root"></param>
219 /// <param name="s"></param>
220 /// <returns></returns>
221 public void SearchAC(ref TrieNode root, string s, ref HashSet<int> hashSet)
222 {
223 int freq = 0;
224
225 TrieNode head = root;
226
227 foreach (var c in s)
228 {
229 //计算位置
230 int index = c - 'a';
231
232 //如果当前匹配的字符在trie树中无子节点并且不是root,则要走失败指针
233 //回溯的去找它的当前节点的子节点
234 while ((head.childNodes[index] == null) && (head != root))
235 head = head.faliNode;
236
237 //获取该叉树
238 head = head.childNodes[index];
239
240 //如果为空,直接给root,表示该字符已经走完毕了
241 if (head == null)
242 head = root;
243
244 var temp = head;
245
246 //在trie树中匹配到了字符,标记当前节点为已访问,并继续寻找该节点的失败节点。
247 //直到root结束,相当于走了一个回旋。(注意:最后我们会出现一个freq=-1的失败指针链)
248 while (temp != root && temp.freq != -1)
249 {
250 freq += temp.freq;
251
252 //将找到的id追加到集合中
253 foreach (var item in temp.hashSet)
254 hashSet.Add(item);
255
256 temp.freq = -1;
257
258 temp = temp.faliNode;
259 }
260 }
261 }
262 #endregion
263 }
264 }