ANSI编码的中英文16叉模式串匹配自动机
1.构造模式串树
void insert(char* s, in* trie) {
long u = 1, len = strlen(s);//每来一个模式串
for (long i = 0; i < len * 2; i++) {
if (i % 2 == 0) {
uint8_t vv = (uint8_t)s[i / 2];
uint8_t v = vv >> 4;
if (!trie[u].son[v])
trie[u].son[v] = ++cnt;
u = trie[u].son[v];
}
else {
uint8_t vv = ((uint8_t)s[i / 2] << 4);
uint8_t v = vv >> 4;//s[i]后四位
if (!trie[u].son[v])
trie[u].son[v] = ++cnt;
u = trie[u].son[v];
}
}
trie[u].patternNum++;
if (strcmp(trie[u].strInfo, s)) {
strcat(trie[u].strInfo, s); if (u % 100000 == 0)printf("建树中... %d\n", u); //不可使用指针!
}
}
2.得到fail指针
void getFail(in* trie) {
long u, y;
for (long i = 0; i < 16; i++) {
trie[0].son[i] = 1; //初始化0的所有儿子都是1 所有的树型有限自动机都有一个共同的特点，即对任何输入字符a, 都有g(0, a) != 0。
}
queue_push(&q, 1); trie[1].fail = 0; //将根压入队列
while (!queue_empty(&q)) {
queue_front(&q, &u); queue_pop(&q, &y);
for (long i = 0; i < 16; i++) { //遍历所有儿子
long v = trie[u].son[i]; //处理u的i儿子的fail，这样就可以不用记父亲了
long Fail = trie[u].fail; //就是fafail，trie[Fail].son[i]就是和v值相同的点
if (!v) { trie[u].son[i] = trie[Fail].son[i]; continue; } //不存在该节点，第二种情况
trie[v].fail = trie[Fail].son[i]; //第三种情况，直接指就可以了
//printf("%d %d\n", v, trie[Fail].son[i]);
queue_push(&q, v); //存在实节点才压入队列
}
}
}
3.主串查询(不回溯)
long query(char* s, long len, in* trie) {
long u = 1;
for (long i = 0; i < len * 2; i++) {
long k = 0;
if (i % 2 == 0) {
uint8_t vv = (uint8_t)s[i / 2];
uint8_t v = vv >> 4;
k = trie[u].son[v];
while (k > 1) {
count++;
if (count % 10000000 == 0) printf("查询中...%lld\n", count/1000);
if (trie[k].strInfo[0] !=‘\0‘) {
trie[k].flag++;
}
k = trie[k].fail;
}
u = trie[u].son[v];
}
else {
uint8_t vv = ((uint8_t)s[i / 2] << 4);
uint8_t v = vv >> 4;
k = trie[u].son[v];
while (k > 1) {
count++;
if (count % 10000000 == 0) printf("查询中...%lld\n", count/1000);
if (trie[k].strInfo[0] != ‘\0‘) {
trie[k].flag++;
}
k = trie[k].fail; //继续跳Fail
}
u = trie[u].son[v];//到下一个儿子
}
}
return count;
}
4.堆排
void HeapAdjust(txt* data, int s, int m)//s=3,m=7 s=2 s是广义上的根 （下一根 ）
{
txt temp; int i;
temp = data[s];//a[3]
for (i = 2 * s + 1; i <= m; i = i * 2 + 1)//i=7;i<=7; i=5 i为根s的子树结点
{ //printf("k%d",a[i+1]);
if (i<m && data[i].appearNum>data[i + 1].appearNum) //i为小子树
i++;
if (!(temp.appearNum > data[i].appearNum)) //初始根根和小子树比较，根小于等于小子树，退出 ； 这个temp根是初始根，并非下一根 子树可能是儿子或孙子...
break;
data[s] = data[i];//初始根大于 小子树值 （这里并不一定是父子比较，第二次可能是爷孙比较）s广义根变小子树值
s = i;//继续判断下一根 直到叶子结点
}
data[s] = temp;//叶子结点值变初始根值
}
void HeapSort(txt* data, int size)
{
int i, j;
txt temp;
for (i = (size - 1) / 2; i >= 0; i--)//i=(8-1)/2=3
HeapAdjust(data, i, size - 1);//a,3,7 a,2,7 a,1,7 a,0,7 循环调整 建立小根堆
for (i = size - 1; i > 0; i--)
{
temp = data[0];
data[0] = data[i];
data[i] = temp;
HeapAdjust(data, 0, i - 1);
}
}
5.问题：中文2字节编码后，拆成4个16进制，会出现杂糅问题。例如你好(C4E3BAC3)可能识别出愫(E3BA)，模式串越短错误率越高，尤其是单字母的英文模式串。但词组错误率几乎为零。256叉树可解决此问题
原文地址：https://www.cnblogs.com/apo2019/p/11957488.html
时间： 2024-10-05 05:01:24