后缀数组学习笔记【详解】
老天,一个后缀数组不知道看了多少天,最后终于还是看懂了啊!
最关键的就是一会儿下标表示排名,一会用数值表示排名绕死人了。
我不知道手跑了多少次才明白过来。其实我也建议初学者手跑几遍,但是一定要注意数组的意义,否则就是无用功。
数组含义:
s[ ]:输入的字符串,预处理的时候会在末尾加上一个0
sa[ ]:它的下标就是后缀排名
x[ ] = t[ ]:用来保存第一关键字排名,注意!它的数值是排名。初始时恰好是字符串的ASCII码。字典序嘛!
y[ ] = t2[ ]:它的下标就是第二关键字排名,第二关键字是直接从sa[ ]当中提取的,关系极其密切
c[ ]:用来基数排序。初始值恰好是每种字符出现的次数。后来它的作用就跟基数排序密切相关,建议学习基数排序
有一点一定要注意!第二关键字来自sa[ ]数组,但是第一关键字并不是来自sa[ ]数组!这一点不知道迷惑了多少人,就是因为论文里给出的图完全就是原理图,不是代码实现的图,不搭噶的!
P.S. 为了优化时间空间,避免新开一个中间数组来复制t[ ]的值,采用了将它的指针x和t2[ ]的指针y交换的方法。注意这个时候t2[ ]已经没有用了。
我先给出一个足以理解后缀数组的增加了中间输出的代码:
#include <cstdio> #include <cstring> #include <algorithm> using namespace std; const int N = 1000, M = 130; char s[N]; int sa[N], t[N], t2[N], c[M], n; int rank[N], high[N]; #define DBG #ifdef DBG int db[N]; void debug(int *f) { for(int i = 0; i < n; i++) { db[f[i]] = i; } printf("%3d", db[0]); for(int i = 1; i < n; i++) { printf(" %3d", db[i]); }puts("]"); } #endif bool cmp(int *y, int i, int k) { return y[sa[i-1]] == y[sa[i]] && y[sa[i-1]+k] == y[sa[i]+k]; } void build(int m) { int i, *x = t, *y = t2; for(i = 0; i < m; i++) c[i] = 0; for(i = 0; i < n; i++) c[x[i] = s[i]]++; for(i = 1; i < m; i++) c[i] += c[i-1]; for(i = n-1; i >= 0; i--) sa[--c[x[i]]] = i; #ifdef DBG printf("sa Get:["); debug(sa); puts(""); #endif for(int k = 1, p; k <= n; k<<=1, m=p) { p = 0; //y[]的下标就是对应的第二关键字排名,它是由sa[]直接得来的 //另外y[]的内容就是第一关键字所在位置 for(i = n-k; i < n; i++) y[p++] = i; for(i = 0; i < n; i++) if(sa[i] >= k) y[p++] = sa[i] - k; #ifdef DBG printf("Gain y:["); debug(y); printf("Look x:{"); printf("%3d", x[0]); for(i = 1; i < n; i++) { printf(" %3d", x[i]); }puts("}"); #endif //x[]的内容就是对应的第一关键字排名 //根据x[]的内容和y[]的下标进行合并,得到新的排名作为sa[]的下标 for(i = 0; i < m; i++) c[i] = 0; for(i = 0; i < n; i++) c[x[y[i]]]++; for(i = 1; i < m; i++) c[i] += c[i-1]; for(i = n-1; i >= 0; i--) sa[--c[x[y[i]]]] = y[i]; #ifdef DBG printf("sa Get:["); debug(sa); puts(""); #endif //按照sa[]的顺序提取出老的x[],计算新的x[] swap(x, y); p = 1; x[sa[0]] = 0;//sa[0]一定是添加的字符0,排名万年第0 for(i = 1; i < n; i++) { x[sa[i]] = cmp(y, i, k) ? p-1 : p++; } //剪枝,此时x[]中已经没有相同的值,sa[]被确定 if(p >= n) break; } } void get_high() { int k = 0; for(int i = 0; i < n; i++) rank[sa[i]] = i; for(int i = 0; i < n; i++) { if(k) k--; int j = sa[rank[i]-1]; while(s[i+k] == s[j+k]) k++; high[rank[i]] = k; } } void PR() { printf("The rank is:\n"); printf("%d", rank[0]); for(int i = 1; i < n-1; i++) printf(" %d", rank[i]); puts(""); } int main() { scanf("%s", s); n = strlen(s) + 1; int maxi = 0; for(int i = 0; i < n; i++) { maxi = maxi > s[i] ? maxi : s[i]; } s[n-1] = 0; build(maxi+1); get_high(); #ifdef DBG PR(); #endif return 0; }
根据这份代码,输入一些数据测试一下,仔细研究研究中间输出。
建议数据:
abaab
aabaaaab
banana
接下来是手跑过程:
方框代表里面的值是下标,花括号代表是数值。它们都是和第一行红色数字一一对应的。
我们暂时不去管第一关键字是怎样计算出来的。
根据上面的程序,自己来填写这张图当中的数值。一个一个填写就可以明白了。(x[ ]数组的值就直接看图上的,并且注意每一个x[ ]数组都是在上一层基数排序计算出来的)
sa[ ]的初始值恰好是根据字符出现次数一个一个来的,轻易就可以手跑出来。这就完成了一位数的基数排序。
蓝色的字是第二关键字,正好是从sa[ ]当中提取出来的。黄色的箭头表示没有第二关键字,它们的排名是自左向右从0开始填的,要先填完这个再提取其他的第二关键字。再次强调,虽然有线,但是第一关键字并不是sa[ ]数组当中的数!
然后给出的x[ ]和刚填完的y[ ]合并(绿色字体),计算出sa[ ]。这是两位数的基数排序。
接下来继续倍增,完成四位数的基数排序。(如果你困惑为什么还是只有两个数被线指着,建议阅读论文)
最后,其实本来是不用对八位数进行基数排序,因为这个时候新的x[ ]数组(图中倒数第二行)里面已经没有重复的排名了,而第一关键字是首要的,因此sa[ ]数组被确定下来了。这里可以加个剪枝,break一下。
怎样得到x[ ]数组:
在每一次得到sa[ ]数组之后,计算新的x[ ],方法是按照sa[ ]当中的排名顺序,(即sa[1...n])提取出旧的x[ ](注意此时它的名字叫做y[ ]了)来计算。如果某字串跟之前的那个完全一样(即cmp()函数),排名就一样(p-1)。
根据上面的话,再来自己填写x[ ]数组吧!