Horspool 字符串快速查找算法

Horspool算法是后缀搜索算法，对于每个文本搜索窗口，将窗口内的最后一个字符与模式串(needle)的最后一个字符进行比较。如果相等，则继续从后向前验证其他字符，直到完全相等或者某个字符不匹配。当遇到字符不匹配的情况时就需要将搜索窗口往后移动，计算移动的距离可以有不同方法，Wikipedia中给出的C语言实现版本是基于窗口的最后一个字符(haystack上的)。

 

C语言版代码分析：

// 在 haystack 中查找 needle 子字符串
const unsigned char *horspool_memmem(const unsigned char *haystack, size_t hlen,
                                     const unsigned char *needle, size_t nlen)
{
  size_t scan = 0;
  
  // 单个字符的位移对照表
  size_t bad_char_skip[UCHAR_MAX + 1];

  // 参数检查
  if (nlen <= 0 || !haystack || !needle)
    return NULL;

  // 初始化位移对照表，缺省值是 needle 的长度，即遇到不匹配时将搜索窗口往后移动 needle 长度
  // 比如：如果遇到 needle 中没有的字符时，就可以将搜索窗口后移 needle 长度，以跳过该字符
  for (scan = 0; scan <= UCHAR_MAX; scan = scan + 1)
    bad_char_skip[scan] = nlen;

  // needle 最后一个字符的下标
  size_t last = nlen - 1;

  // 遍历 needle 的字符（排除最后一个字符），计算该字符到最后一个字符的位移。
  // 此处遍历需要从头开始，因为 needle 中可能会出现重复字符，同一个字符必须使用其最后出现位置的位移。
  // 
  // 排除 needle 最后一个字符的原因是：如果 needle 的最后一个字符在 needle 中是唯一的，那么其位移对照表中的值是 nlen，
  // 只要当次搜索匹配失败，并且搜索窗口上 haystack 的最后一个字符就是 needle 的最后一个字符，那么就应该将搜索窗口后移 nlen，
  // 因为该字符没有重复出现 needle 的其它位置上，就可以安全的跳过当前窗口。
  for (scan = 0; scan < last; scan = scan + 1)
    bad_char_skip[needle[scan]] = last - scan;

  // 开始搜索匹配
  // 由于搜索窗口不断往后移动，即 haystack 指针值向后移动，hlen 保存 haystack 的剩余字符串长度。
  // 当 hlen 的长度小于 nlen 时，查找失败。
  while (hlen >= nlen) {
    // 从搜索窗口的尾部向前匹配
    for (scan = last; haystack[scan] == needle[scan]; scan = scan - 1) {
      if (scan == 0)  // 头部字符匹配则查找成功，返回子字符串位置
        return haystack;
    }
    
    // 如果匹配失败则基于搜索窗口上 haystack 的最后一个字符 haystack[last] 后移搜索窗口
    hlen     -= bad_char_skip[haystack[last]];
    haystack += bad_char_skip[haystack[last]];
  }

  // 到达此处说明查找失败
  return NULL;
}

 

查找过程示例：

原始串
haystack: efaboxcbcabcdsdxzcxx
needle:   abcd初始化
last: 3
bad_char_skip['a'] = 3
bad_char_skip['b'] = 2
bad_char_skip['c'] = 1
bad_char_skip['d'] = 1循环1
last: 3
haystack[last]: b
bad_char_skip[haystack[last]]: 2
haystack: aboxcbcabcdsdxzcxx
needle:   abcd循环2
last: 3
haystack[last]: x
bad_char_skip[haystack[last]]: 4
haystack: cbcabcdsdxzcxx
needle:   abcd循环3
last: 3
haystack[last]: a
bad_char_skip[haystack[last]]: 3
haystack: abcdsdxzcxx
needle:   abcd循环4
匹配成功

 

参考文档

1. Boyer–Moore–Horspool algorithm - Wikipedia
2. Horspool字符串匹配算法