WM算法采用字符块技术,增大了主串和模式串不匹配的可能性.从而增加了直接跳跃的机会:它使用前缀表进一步过滤不匹配的模式串,使算法获得了较高的运行效率。因此.在现有的多关键字匹配算法中,使用块字符、Hash技术和前缀特征表技术的WM算法通常被认为具有最高的效率。
Wu-Manber算法采用了跳跃不可能匹配的字符策略和hash 散列的方法,加速匹配的进行.该方法需要对所有模式进行预处理,构建SHIFT,HASH和PREFIX 这3 个表,便于后续处理。SHIFT表用于在扫描文本串的时候,根据读入字符串决定可以跳过的字符数,如果相应的跳跃值为0,则说明可能产生匹配,就要用到HASH 表和PREFIX表进一步判断,以决定有哪些匹配候选模式,并验证究竟是哪个或者哪些候选模式完全匹配.下面首先介绍预处理过程:
假设模式集合P中最短的模式长度为m,那么,后续讨论仅仅考虑所有模式的前m 个字符组成的模式串,即要求所有匹配的模式长度相等.为了加快比较速度,对长为m的串进行分组,以B 个长度的字符串为基本单位,每次比较长度为B 的子串.对于B 的选取,原文给出了指导公式计算出一个合适的B值:B=logc2M.这里,M=k×m,k 是模式的数目;而c 表示字符集的大小即c=|Σ|.
设X=x1…xB 为T中的待比较的长度为B 的子串,通过hash 函数映射得到一个索引值index,以该索引值作为偏移得到SHIFT 表中的值,该值决定读到当前子串X后可以跳过的位数.假设X 映射到SHIFT 表的入口为index 的表项,即index=hash(X):
SHIFT[index]=m-B+1 x在模式串中没有出现
=min{m-j|X[k]=pi[j-B+k],1<=k<=m} x在模式串中出现
这样,就需要将每个模式中长度为B 的子串aj−B+1…aj 映射到SHIFT 表中去,这里的映射函数是和上面相同的hash 函数。
设当前比较的文本字串X 的hash 值为h,如果SHIFT[h]=0,说明可能产生了匹配,那么需要进一步进行判断。于是,用该h值作为索引,查HASH 表找到HASH[h],它存储的是指针,指向两个单独的表:一个是模式链表,另一个是PREFIX 表.模式链表中存放的是后B个字符的hash 值同为h 的所有模式.PREFIX 表存储的是模式链表中每个模式的前缀hash值,它有利于进一步减少实际比较次数,因为往往有不少模式具有相同后缀,也就有相同的hash 值,这样,它们都指向HASH表的同一表项,从而需要逐一比较每个可能的模式,增加了比较负担,通过引入前缀hash 值的比较能够加速处理.对于待比较长度为m的串,如果其长度为B′的前缀与模式的前缀的hash值也相同,则再将相应的文本串与符合的模式逐一进行比较,最终判定是否完全匹配.
预处理过程结束,完成3 个表的构建.
下面讨论扫描文本进行比较匹配的过程.匹配从文本的第m 个字符开始,文本的扫描从左向右;对模式的匹配是从模式的后面向前进行的,即从右向左.每次扫描B 个字符tm−B+1…tm,按如下步骤进行:
Step1 现正扫描的text的末B位tm-B+1…tm通过hash function计算其哈希值h。
Step2 查表,SHIFT[h]>0,text小指针后滑SHIFT[h]位,执行1;SHIFT[h]=0,执行3;
Step3 计算此m位text的前缀的哈希值,记为text_prefix;
Step4 对于每个p(HASH[h]≦p<HASH[h+1])看是否PREFIX[p]=text_prefix。
如果相等,方才让真正的pat(即PAT_POINT[p])去和text匹配。
Wu-Manber 算法的时间复杂度平均情况是O(BN/m)。B是块字符的长度,而N 是文本的长度,m 是模式的最短长度。该算法对最短模式长度敏感,SHIFT函数的最大值受最短模式长度的限制,如果最短模式长度很短,则移位的值不可能很大,因此对匹配过程的加速有限。
上述的理论知识比较枯燥,下面来看一下算法的C具体实现过程:
WM.h文件如下:
#ifndef WM_H
#define WM_H
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#define HASHTABLESIZE (256*256)
#define MAXLEN 256
typedef struct wm_pattern_struct
{
struct wm_pattern_struct *next;
unsigned char *psPat; //pattern array
unsigned psLen; //length of pattern in bytes
}WM_PATTERN_STRUCT;
#define HASH_TYPE short
#define SHIFTTABLESIZE (256*256)
typedef struct wm_struct
{
WM_PATTERN_STRUCT *plist; //pattern list
WM_PATTERN_STRUCT *msPatArray; //array of patterns
unsigned short *msNumArray; //array of group counts, # of patterns in each hash group
int msNumPatterns; //number of patterns loaded
unsigned msNumHashEntries;
HASH_TYPE *msHash; //last 2 characters pattern hash table
unsigned char* msShift; //bad word shift table
HASH_TYPE *msPrefix; //first 2 characters prefix table
int msSmallest; //shortest length of all patterns
}WM_STRUCT;
WM_STRUCT * wmNew();
void wmFree(WM_STRUCT *ps);
int wmAddPattern(WM_STRUCT *ps,unsigned char *P,int m);
int wmPrepPatterns(WM_STRUCT *ps);
void wmSearch(WM_STRUCT *ps,unsigned char *Tx,int n);
#endif
WM.c文件如下:
#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <ctype.h>
#include "wm.h"
extern int nline=1;
extern int nfound=0;
#define MAXN 10001 //模式串的最大长度MAXN - 1
#define MAXM 51//单词最大长度为MAXM - 1
WM_STRUCT * wmNew()
{
WM_STRUCT *p=(WM_STRUCT *)malloc(sizeof(WM_STRUCT));
if(!p) return 0;
p->msNumPatterns=0;
p->msSmallest=1000;
return p;
}
void wmFree(WM_STRUCT *ps)
{
if(ps->msPatArray)
{
if(ps->msPatArray->psPat) free(ps->msPatArray->psPat);
free(ps->msPatArray );
}
if(ps->msNumArray) free(ps->msNumArray);
if(ps->msHash) free(ps->msHash);
if(ps->msPrefix) free(ps->msPrefix);
if(ps->msShift) free(ps->msShift);
free(ps);
}
int wmAddPattern(WM_STRUCT *ps,unsigned char *q,int m)//m字符串长度
{
WM_PATTERN_STRUCT *p;
p=(WM_PATTERN_STRUCT *)malloc(sizeof(WM_PATTERN_STRUCT));
if(!p) return -1;
p->psPat=(unsigned char*)malloc(m+1);
memset(p->psPat+m,0,1);
memcpy(p->psPat,q,m);
p->psLen=m;
ps->msNumPatterns++;
if(p->psLen<(unsigned)ps->msSmallest) ps->msSmallest=p->psLen;
p->next=ps->plist;
ps->plist=p;
return 0;
}
static unsigned HASH16(unsigned char *T)
{
return (unsigned short) (((*T)<<8) | *(T+1));
}
void sort(WM_STRUCT *ps)//字符串哈希值从小到大排列
{
int m=ps->msSmallest;
int i,j;
unsigned char *temp;
int flag;
for(i=ps->msNumPatterns-1,flag=1;i>0 && flag;i--)
{
flag=0;
for(j=0;j<i;j++)
{
if(HASH16(&(ps->msPatArray[j+1].psPat[m-2]))<HASH16(&(ps->msPatArray[j].psPat[m-2])))
{
flag=1;
temp=ps->msPatArray[j+1].psPat;
ps->msPatArray[j+1].psPat=ps->msPatArray[j].psPat;
ps->msPatArray[j].psPat=temp;
}
}
}
}
static void wmPrepHashedPatternGroups(WM_STRUCT *ps)//计算有多少个不同哈希值,且从小到大
{
unsigned sindex,hindex,ningroup;
int i;
int m=ps->msSmallest;
ps->msNumHashEntries=HASHTABLESIZE;
ps->msHash=(HASH_TYPE*)malloc(sizeof(HASH_TYPE)* ps->msNumHashEntries);
if(!ps->msHash)
{
printf("No memory in wmPrepHashedPatternGroups()\n");
return;
}
for(i=0;i<(int)ps->msNumHashEntries;i++)
{
ps->msHash[i]=(HASH_TYPE)-1;
}
for(i=0;i<ps->msNumPatterns;i++)
{
hindex=HASH16(&ps->msPatArray[i].psPat[m-2]);
sindex=ps->msHash[hindex]=i;
ningroup=1;
while((++i<ps->msNumPatterns) && (hindex==HASH16(&ps->msPatArray[i].psPat[m-2])))
ningroup++;
ps->msNumArray[sindex]=ningroup;
i--;
}
}
static void wmPrepShiftTable(WM_STRUCT *ps)//建立shift表
{
int i;
unsigned short m,k,cindex;
unsigned shift;
m=(unsigned short)ps->msSmallest;
ps->msShift=(unsigned char*)malloc(SHIFTTABLESIZE*sizeof(char));
if(!ps->msShift)
return;
for(i=0;i<SHIFTTABLESIZE;i++)
{
ps->msShift[i]=(unsigned)(m-2+1);
}
for(i=0;i<ps->msNumPatterns;i++)
{
for(k=0;k<m-1;k++)
{
shift=(unsigned short)(m-2-k);
cindex=((ps->msPatArray[i].psPat[k]<<8) | (ps->msPatArray[i].psPat[k+1]));//B为2
if(shift<ps->msShift[cindex])
ps->msShift[cindex]=shift;//k=m-2时,shift=0,
}
}
}
static void wmPrepPrefixTable(WM_STRUCT *ps)//建立Prefix表
{
int i;
ps->msPrefix=(HASH_TYPE*)malloc(sizeof(HASH_TYPE)* ps->msNumPatterns);
if(!ps->msPrefix)
{
printf("No memory in wmPrepPrefixTable()\n");
return;
}
for(i=0;i<ps->msNumPatterns;i++)
{
ps->msPrefix[i]=HASH16(ps->msPatArray[i].psPat);
}
}
void wmGroupMatch(WM_STRUCT *ps,//后缀哈希值相同,比较前缀以及整个字符匹配
int lindex,
unsigned char *Tx,
unsigned char *T)
{
WM_PATTERN_STRUCT *patrn;
WM_PATTERN_STRUCT *patrnEnd;
int text_prefix;
unsigned char *px,*qx;
patrn=&ps->msPatArray[lindex];
patrnEnd=patrn+ps->msNumArray[lindex];
text_prefix=HASH16(T);
for(;patrn<patrnEnd;patrn++)
{
if(ps->msPrefix[lindex++]!=text_prefix)
continue;
else
{
px=patrn->psPat;
qx=T;
while(*(px++)==*(qx++) && *(qx-1)!='\0');
if(*(px-1)=='\0')
{
printf("Match pattern \"%s\" at line %d column %d\n",patrn->psPat,nline,T-Tx+1);
nfound++;
}
}
}
}
int wmPrepPatterns(WM_STRUCT *ps)//由plist得到msPatArray
{
int kk;
WM_PATTERN_STRUCT *plist;
ps->msPatArray=(WM_PATTERN_STRUCT*)malloc(sizeof(WM_PATTERN_STRUCT)*ps->msNumPatterns);
if(!ps->msPatArray)
return -1;
ps->msNumArray=(unsigned short*)malloc(sizeof(short)*ps->msNumPatterns);
if(!ps->msNumArray)
return -1;
for(kk=0,plist=ps->plist;plist!=NULL && kk<ps->msNumPatterns;plist=plist->next)
{
memcpy(&ps->msPatArray[kk++],plist,sizeof(WM_PATTERN_STRUCT));
}
sort(ps);
wmPrepHashedPatternGroups(ps);
wmPrepShiftTable(ps);
wmPrepPrefixTable(ps);
return 0;
}
void wmSearch(WM_STRUCT *ps,unsigned char *Tx,int n)//字符串查找
{
int Tleft,lindex,tshift;
unsigned char *T,*Tend,*window;
Tleft=n;
Tend=Tx+n;
if(n<ps->msSmallest)
return;
for(T=Tx,window=Tx+ps->msSmallest-1;window<Tend;T++,window++,Tleft--)
{
tshift=ps->msShift[(*(window-1)<<8) | *window];
while(tshift)
{
window+=tshift;
T+=tshift;
Tleft-=tshift;
if(window>Tend) return;
tshift=ps->msShift[(*(window-1)<<8) | *window];
}
if((lindex=ps->msHash[(*(window-1)<<8) | *window])==(HASH_TYPE)-1) continue;
lindex=ps->msHash[(*(window-1)<<8) | *window];
wmGroupMatch(ps,lindex,Tx,T);
}
}
int main()
{
int length,n;
WM_STRUCT *p;
char keyword[MAXM]; //单词
char str[MAXN]; //模式串
p=wmNew();
printf("scanf the number of words-->\n");
scanf("%d", &n);
printf("scanf the words-->\n");
while(n --)
{
scanf("%s", keyword);
length=strlen(keyword);
wmAddPattern(p,keyword,length);
}
wmPrepPatterns(p);
printf("scanf the text string-->\n");
scanf("%s", str);
length=strlen(str);
wmSearch(p,str,length);
wmFree(p);
return(0);
}