Python實現字串匹配演算法執行個體代碼

這篇文章主要介紹了Python實現字串匹配演算法程式碼範例，涉及字串匹配存在的問題，蠻力法字串匹配，Horspool演算法，具有一定參考價值，需要的朋友可以瞭解下。

字串匹配存在的問題

Python中在一個長字串中尋找子串是否存在可以用兩種方法：一是str的find()函數，find()函數只返回子串匹配到的起始位置，若沒有，則返回-1；二是re模組的findall函數，可以返回所有匹配到的子串。

但是如果用findall函數時需要注意字串中存在的特殊字元。

蠻力法字串匹配：

將模式對準文本的前m（模式長度）個字元，然後從左至右匹配每一對對應的字元，直到全部匹配或遇到一個不匹配的字元。後一種情況下，模式向右移一位。

代碼如下：

def string_match(string, sub_str):  # 蠻力法字串匹配  for i in range(len(string)-len(sub_str)+1):   index = i  # index指向下一個待比較的字元   for j in range(len(sub_str)):    if string[index] == sub_str[j]:     index += 1    else:     break    if index-i == len(sub_str):     return i  return -1 if __name__ == "__main__":  print(string_match("adbcbdc", "dc"))

最壞情況下，該演算法屬於Θ(nm)，事實上，該演算法的平均效率比最差效率好得多。事實上在尋找隨機文本的時候，其屬於線性效率Θ(n)。

Horspool演算法：

Horsepool演算法是Boyer-Moore演算法的簡化版本，這也是一個空間換時間的典型例子。演算法把模式P和文本T的開頭字元對齊，從模式的最後一個字元開始比較，如果嘗試比較失敗了，它把模式向後移。每次嘗試過程中比較是從右至左的。

在蠻力演算法中，模式的每一次移動都是一個字元，Horspool演算法的核心思想是利用空間來換取時間，提升模式比對視窗的移動幅度。與蠻力演算法不同的是，其模式的匹配是從右至左的，通過預先算出每次移動的距離並存於表中。

代碼如下：

__author__ = 'Wang' from collections import defaultdict def shift_table(pattern):  # 產生 Horspool 演算法的移動表  # 當前檢測字元為c，模式長度為m  # 如果當前c不包含在模式的前m-1個字元中，移動模式的長度m  # 其他情況下移動最右邊的的c到模式最後一個字元的距離  table = defaultdict(lambda: len(pattern))  for index in range(0, len(pattern)-1):   table[pattern[index]] = len(pattern) - 1 - index  return table def horspool_match(pattern, text):  # 實現 horspool 字串匹配演算法  # 匹配成功，返回模式在text中的開始部分；否則返回 -1  table = shift_table(pattern)  index = len(pattern) - 1  while index <= len(text) - 1:   print("start matching at", index)   match_count = 0   while match_count < len(pattern) and pattern[len(pattern)-1-match_count] == text[index-match_count]:    match_count += 1   if match_count == len(pattern):    return index-match_count+1   else:    index += table[text[index]]  return -1 if __name__ == "__main__":  print(horspool_match("barber", "jim_saw_me_in_a_barbershopp"))

顯然，Horspool演算法的最差效率屬於屬於Θ(nm)。在尋找隨機文本的時候，其屬於線性效率Θ(n)。雖然效率類型相同，但平均來說，Horspool演算法比蠻力演算法快很多。

以上內容就是Python實現字串匹配演算法執行個體代碼，希望能協助到大家。