Echtzeit-String-Matching

15

Aufgabe

Die Aufgabe besteht darin, einen exakten String-Matching-Algorithmus Ihrer Wahl in Echtzeit zu entwickeln.

Eingang

Zwei Textzeilen in der Standardeingabe, durch eine neue Zeile getrennt. Die erste Zeile enthält das "Muster" und ist einfach eine ASCII-Zeichenfolge, die aus den Buchstaben gezogen wird a-z.

Die zweite Zeile enthält den längeren "Text" und ist einfach eine ASCII-Zeichenfolge, die aus den Buchstaben gezogen wird a-z.

Ausgabe

Eine Liste der Indizes, bei denen die genauen Übereinstimmungen auftreten. Sie sollten die Position des Starts jedes auftretenden Matches ausgeben.

Spezifikation

Ihr Algorithmus kann die Vorverarbeitung des Musters in linearer Zeit durchführen. Es muss dann den Text von links nach rechts lesen und für jedes einzelne Zeichen im Text eine konstante Zeit benötigen und jede neue Übereinstimmung ausgeben, sobald sie auftritt. Übereinstimmungen können sich natürlich überlappen.

Algorithmus

Es gibt viele Echtzeit-Algorithmen für den exakten Abgleich. Eine wird zum Beispiel im Wiki für KMP erwähnt . Sie können jede beliebige Antwort verwenden, aber Sie müssen immer die richtige Antwort ausgeben.

Ich werde einen pro Sprache führenden Tisch führen, damit diejenigen, die beliebte Sprachen bevorzugen, auch auf ihre eigene Weise gewinnen können. Bitte erläutern Sie, welchen Algorithmus Sie implementiert haben.

Echtzeit

Es scheint viel Verwirrung darüber zu geben, was Echtzeit bedeutet. Es bedeutet nicht einfach lineare Zeit. Standard-KMP ist also nicht in Echtzeit. Der Link in der Frage verweist explizit auf einen Teil der Wiki-Seite für KMP über eine Echtzeit-Variante von KMP. Boyer-Moore-Galil ist auch nicht in Echtzeit. In dieser theoretischen Frage / Antwort wird das Problem erörtert, oder man kann einfach "Echtzeit- Exaktabstimmung " oder ähnliche Begriffe googeln.

Gemeinschaft
quelle
Stimmt die Annahme, dass vektorisierte Antworten nicht zählen? dh MÜSSEN wir den Text linear durchlaufen?
Sirpercival
Wenn ich also die Zeichenfolgen abcdund hätte acbdefg, würde ich ausgeben 1 4, für aund d?
ASCIIThenANSI
Ich denke nicht, dass das richtig ist, sowohl aals auch dpassend. Es gibt abcdund acbdefg, und die aund dsind an identischen Positionen.
ASCIIThenANSI
1
@ASCIIThenANSI JA! :)
1
Warum haben wir hier 1-basierte Indizes? -.-
Optimierer

Antworten:

3

Python 2, 495 Bytes

Dies ist ein Echtzeit-KMP, der viel kürzer und nur geringfügig langsamer ist als der BMG-Algorithmus (der normalerweise sublinear ist). Rufen Sie an mit K(pattern, text); Die Ausgabe ist identisch mit dem BMG-Algorithmus.

L,R,o=len,range,lambda x:ord(x)-97
def K(P,T):
 M,N=L(P),L(T);Z=[0]*M;Z[0]=M;r=l=0
 for k in R(1,l):
    if k>r:
     n=0
     while n+k<l<P[n]==P[n+k]:n+=1
     Z[k]=n
     if n>0:l,r=k,k+n-1
    else:
     p,_=k-l,r-k+1
     if Z[p]<_:Z[k]=Z[p]
     else:
        i=r+1
        while i<M<P[i]==P[i-k]:i+=1
        Z[k],l,r=i-k,k,i-1
 F=[[0]*26]*M
 for j in R(M-1,0,-1):z=Z[j];i,x=j+z-1,P[z+1];F[i][o(x)]=z
 s=m=0
 while s+m<N:
    c=T[s+m]
    if c==P[m]:
     m+=1
     if m==M:print s,;s+=1;m-=1
    else:
     if m==0:s+=1
     else:f=F[m][o(c)];s+=m-f;m=f
sirpercival
quelle
Welche Referenz haben Sie aus Interesse für Echtzeit-KMP verwendet?
Der Suchalgorithmus war ein Amalgam aus mehreren, aber der Echtzeitteil stammte hauptsächlich von diesem mit einem Schuss Wikipedia.
Sirpercival
2

Python 2, 937 Bytes

Das ist keineswegs kurz, aber es (a) funktioniert, (b) erfüllt alle Anforderungen und (c) wird so viel Golf gespielt, wie ich nur kann.

L,r,t,o,e,w=len,range,26,lambda x:ord(x)-97,enumerate,max
def m(s,M,i,j,c=0):
 while i<M-c>j<s[i+c]==s[j+c]:c+=1
 return[c,M-i][i==j]
def Z(s):
 M=L(s)
 if M<2:return[[],[1]][M]
 z=[0]*M;z[0:2]=M,m(s,M,0,1)
 for i in r(2,1+z[1]):z[i]=z[1]-i+1
 l=h=0
 for i in r(2+z[1],M):
    if i<=h:k=i-l;b,a=z[k],h-i+1;exec["z[i]=b+m(s,M,a,h+1);l,h=i,i+z[i]-1","z[i]=b","z[i]=min(b,M-i);l,h=i,i+z[i]-1"][cmp(a,b)]
    else:
     z[i]=m(s,M,0,i)
     if z[i]>0:l,h=i,i+z[i]-1
 return z
def S(P,T):
 M,N=L(P),L(T)
 if not 0<M<N:return
 R,a=[[-1]]*t,[-1]*t
 for i,c in e(P):
    a[o(c)]=i
    for j in r(t):R[j]+=a[j],
 if M<=0:R=[[]]*t
 n,F,z,l=Z(P[::-1])[::-1],[0]*M,Z(P),0;G=[[-1,M-n[j]][n[j]>0]for j in r(M-1)]
 for i,v in e(z[::-1]):l=[l,w(v,l)][v==i+1];F[~i]=l
 k,p=M-1,-1
 while k<N:
    i,h=M-1,k
    while 0<=i<[]>h>p<P[i]==T[h]:i-=1;h-=1
    if i<0 or h==p:print-~k-M,;k+=[1,M-F[1]][M>1]
    else:c,q=i-R[o(T[h])][i],i+1;s=w(c,q==M or M-[G,F][G[q]<0][q]);p=[p,k][s>=q];k+=s

Dies ist eine Implementierung des Boyer-Moore-Galil-Algorithmus. Ziemlich unkompliziert - rufen Sie mit S(pattern,text); Die anderen beiden Funktionen werden in der Vorverarbeitung verwendet. Tatsächlich wird alles außer den letzten 5 Zeilen vorverarbeitet.

Ein Beispiellauf, der ungefähr eine Sekunde dauerte:

>>> a = 'a'*1000
>>> b = 'a'*1999 + 'b'
>>> S(a,b)
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999
sirpercival
quelle
Ich bin mir nicht sicher, ob dies Echtzeit ist, oder?
Boyer-Moore-Galil läuft im schlimmsten Fall von O (n + m) . Es ist tatsächlich schneller als KMP.
Sirpercival
Aber Echtzeit ist nicht dasselbe wie lineare Zeit.
Unter "Spezifikationen" heißt es, dass der Algorithmus in O(m)Preprocessing und O(n)Matching [=> O(n+m)] ausgeführt werden muss, was dies tut (oder besser).
Sirpercival
Ja, aber das bedeutet nicht Echtzeit. Das Ganze könnte O(n+m)pünktlich ablaufen, aber n Zeit für eines der Symbole im Text, zum Beispiel.
1

KMP, Python 2 (213 Byte)

R=raw_input
E=enumerate
p=R()
t=R()
f=[-1]*((len(p)+1))
j=-1
for i,c in E(p):
 while j+1 and p[j]!=c:j=f[j]
 f[i+1]=j=j+1
j=-1
for i,c in E(t):
 while j+1 and p[j]!=c:j=f[j]
 j+=1
 if j==len(p):print i+1-j;j=f[j]

Ungolfed-Version. Die erste Schleife besteht darin, die KMP-Automaten aufzubauen. Die zweite Schleife läuft auf den Automaten. Sie haben fast dasselbe Muster, aber das Abstrahieren kostet mehr Bytes. Für einen Code-Golf würde ich diese Logik lieber duplizieren. Eine ähnliche Implementierung wird häufig in Programmierwettbewerben verwendet.

pattern = raw_input()
text = raw_input()

fail = [-1] * (len(pattern) + 1)
j = -1
for i, c in enumerate(pattern):
    while j >= 0 and pattern[j] != c:
        j = fail[j]
    j += 1
    fail[i + 1] = j

j = -1
for i, c in enumerate(text):
    while j >= 0 and pattern[j] != c:
        j = fail[j]
    j += 1
    if j == len(pattern):
        print i + 1 - j
        j = fail[j]
Strahl
quelle
Dies ist leider nicht in Echtzeit. Siehe den Wiki-Link in der Frage.
1

Echtzeit-KMP, Python 2 (167 Byte)

R=raw_input
E=enumerate
P=R()
T=R()
F=[{}]
for i,c in E(P):j=F[i].get(c,0);F+=[dict(F[j])];F[i][c]=i+1
j=0
for i,c in E(T):
 j=F[j].get(c,0)
 if j==len(P):print i+1-j

Im normalen KMP simulieren wir das Automatenverhalten mit einer Fail-Funktion. In diesem Echtzeit-KMP ist der Vollautomat so aufgebaut, dass er in der passenden Phrase jedes Zeichen in Echtzeit (konstante Zeit) verarbeiten kann.

Die zeitliche und räumliche Komplexität der Vorverarbeitung beträgt O (nm), wobei m die Alphabetgröße und n die Länge der Musterfolge ist. In meinen Tests ist die tatsächliche Größe der Übergangstabelle jedoch immer kleiner als 2n, sodass wir möglicherweise nachweisen können, dass die zeitliche und räumliche Komplexität O (n) ist.

Ungolfed-Version

pattern = raw_input()
text = raw_input()

# transitions[i][c] points to the next state walking from state i by c.
# Transition that point to staet 0 are not stored.
# So use transitions[i].get(c, 0) instead of transitions[i][c]
transitions = [{}]
for i, c in enumerate(pattern):
    j = transitions[i].get(c, 0)
    transitions.append(transitions[j].copy())
    # Before this assignment, transitions[i] served as the fail function
    transitions[i][c] = i + 1

j = 0
for i, c in enumerate(text):
    j = transitions[j].get(c, 0)
    if j == len(pattern):
        print i + 1 - j
Strahl
quelle
Nun, leider ist die Hash-Tabelle in Python nicht in Echtzeit, so dass die Implementierung auch hier nicht in Echtzeit erfolgt.
Ray
1

Q, 146 Bytes

W:S:u:"";n:0;p:{$[n<#x;0;x~(#x)#W;#x;0]};f:{{|/p'x}'((1_)\x#W),\:/:u};F:{S::x 1;W::*x;n::#W;u::?W;T:(f'!1+n),\:0;(&n=T\[0;u?S])-n-1}

Prüfung

F "
 ABCDABD
 ABCdABCDABgABCDABCDABDEABCDABzABCDABCDABDE "

erzeugt 15 und 34

Anmerkungen

Nicht auf das Alphabet beschränkt (unterstützt alle ASCII-Zeichen und unterscheidet zwischen Groß- und Kleinschreibung).

Verwendet keine der spezifischen Operationen, die von Q für Zeichenfolgen definiert wurden -> arbeitet mit Zeichenfolgen als Sequenzen (Ops-Übereinstimmung, Länge usw.)

Minimiert die Übergangstabelle, die alle Zeichen, die nicht im Muster enthalten sind, zu einer eindeutigen Zeichenklasse zusammenfügt.

Ich kann Code ein wenig drücken. Es ist ein erster Versuch, die Lösungsstrategie zu validieren

Besuchen Sie ein beliebiges Textzeichen genau einmal, und für jedes eingegebene Zeichen gibt es einen eindeutigen Sprung. Ich gehe also davon aus, dass die Suche als "Echtzeit" passt.

Die Tabellenkonstruktion al state i und char c suchen nach der längsten Teilzeichenfolge, die bei i endet, und nach dem Anhängen von c ist ein Präfix von S. Die Konstruktion ist nicht optimiert, daher weiß ich nicht, ob sie gültig ist

Das Eingabeformat passt nicht gut zur Sprache. Wenn Sie zwei Zeichenfolgenargumente übergeben, werden 16 Byte gespart

Erläuterung

globales W steht für Muster und S entspricht dem zu suchenden Text

x:1_"\n "\:x Seltsamer Code, um die Eingabeanforderungen zu erfüllen (Q erfordert, dass mehrzeilige Zeichenfolgen eingerückte Nicht-Erste-Zeilen aufweisen, sodass zusätzlicher Speicherplatz vor jeder Nicht-Erste-Zeile verworfen werden muss)

n::#W berechnet W länge und speichert als globales n

u::?W berechnet eindeutige Zeichen in W und speichert sie als globales u

u?S generiert die characted-Klasse für jedes Zeichen von S

Erstellen Sie eine Übergangstabelle T mit einer Zeile pro eindeutigem Zeichen in W (plus einer zusätzlichen) und einer Spalte für jeden Index in W (plus einer zusätzlichen). Zusätzliche Zeile entspricht dem Anfangszustand, und zusätzliche Spalte sammelt Zeichen in S, jedoch nicht in W. Diese Strategie minimiert die Tabellengröße

p:{$[n<#x;0;x~(#x)#W;#x;0]} ist die Funktion, die nach dem längsten Präfix sucht

f:{{|/p'x}'((1_)\x#W),\:/:u} ist die Funktion, die eine Zeile x von T berechnet

T:(f'!1+n),\:0 applies f repeteadly to calculate each row, and adds value 0 to each row

Suchen Sie den Text mit der Übergangstabelle. T\[0;u?S]iteriert über 0 (Anfangszustand) und jede der Zeichenklassen von S und verwendet als neuen Wert den Wert in der Übergangstabelle T [Zustand] [charClass]. Der Endzustand hat den Wert n, also suchen wir diesen Wert in der Folge der Zustände und geben ihn angepasst zurück (um die anfängliche anstelle der endgültigen Position jeder Übereinstimmung anzugeben).

J. Sendra
quelle
0

Boyer-Moore, Perl (50)

Perl versucht Boyer-Moore auf natürliche Weise zu nutzen:

$s=<>;$g=<>;chomp$g;print"$-[0] "while$s=~m/($g)/g
Protist
quelle
Dies ist leider keine Echtzeit.
Was meinst du mit "Echtzeit"?
Protist
Konstante Zeit für jedes Symbol des eingelesenen Textes. Siehe den Wiki-Link, den ich eingefügt habe.