Aho Corasick算法

Question

我无法理解下面使用Aho-Corasick alg进行字符串模式匹配的算法。

Procedure AC(y,n,q0)
INPUT: y<-array of m bytes representing the text input
(SQL Query Statement)
n<-integer representing the text length
(SQL Query Length)
q0<-initial state (first character in pattern)
2: State <-q0
3: For i = 1 to n do
4: While g ( State, y[i] = = fail) do
5: State ← f (State)
6: End While
7: State ← g(State,.y[i])
8: If o(State)  then
9: Output i
10: Else
11: Output
12: End If
13: End for
14: End Procedure

Answer 1

通过阅读一点伪代码，您可能无法很好地理解Aho-Corasick算法。除非您了解状态转换表，否则算法根本没有意义。

在Aho-Corasick implementation and animation处有一个不错的解释和动画。

原始论文Efficient String Matching: An Aid to Bibliographic Search（PDF）编写得很好且易于理解，伪代码示例很容易转换为工作代码。这需要一点点研究，但是在阅读完论文之后你应该有一个很好的理解，稍微考虑一下，然后再读一遍。

Answer 2

Aho Corasick算法用于解决设置匹配问题。这意味着我们有一组字符串S，这里有一个长字符串L来检查L是否包含前一组S中的任何一个。

基本解决方案是使用特里树，即前缀树，请参阅Wikipedia。通常有两个步骤来处理这个问题。

1. 根据字符串集S;
预先计算trie树
2. 扫描字符串L以进行检查。

trie树很容易理解。它存储带有节点的前缀子串从根开始。

Aho-Corasick算法是特里树的扩展，离基本思想不远。 Aho-Corasick算法为特里树上的每个节点添加一个失败的指针。

当失败时，trie树将从根目录重新启动（将L上的起始索引加1），但Aho-Corasick算法将从失败指针指向的节点D重新启动（在L上添加起始索引）节点深度D）。

下面是Aho-Corasick算法的C ++实现。它包含一些错误。 http://www.komodia.com/aho-corasick

我修复了我发现的错误。你可以在这里访问我的版本： https://github.com/elfinhe/KomodiaAhoCorasick