關鍵字匹配之BF演算法-python實現

#!/usr/bin/python# -*- coding: UTF-8# filename BFimport time"""t="this is a big apple,this is a big apple,this is a big apple,this is a big apple."p="apple""""t="為什麼叫向量空間模型呢？其實我們可以把每個詞給看成一個維度，而詞的頻率看成其值（有向），即向量，這樣每篇文章的詞及其頻率就構成了一個i維空間圖，兩個文檔的相似性就是兩個空間圖的接近度。假設文章只有兩維的話，那麼空間圖就可以畫在一個平面直角座標系當中，讀者可以假想兩篇只有兩個詞的文章畫圖進行理解。"p="讀者"i=0count=0start=time.time()while (i <=len(t)-len(p)):j=0   while (t[i]==p[j]):                i=i+1                j=j+1if j==len(p):breakelif (j==len(p)-1):count=count+1else:i=i+1j=0print countprint time.time()-start

演算法思想：目標串t與模式串p逐詞比較，若對應位匹配，則進行下一位比較；若不相同，p右移1位，從p的第1位重新開始比較。
演算法特點：整體移動方向：可認為在固定t的情況下，p從左向右滑動；匹配比較時，從p的最左邊位開始向右逐位與t串中對應位比較。p的滑動距離為1，這導致BF演算法匹配效率低（相比其他演算法，如：BM，KMP，滑動沒有跳躍）。
該演算法的時間複雜度為O（len(t)*len(p))，空間複雜度為O(len(t)+len(p))