引言
在计算机科学中，字符串匹配是一个基础而重要的问题。当我们需要在文本中查找单个模式时，KMP算法是经典解决方案；但当需要同时查找多个模式时，AC自动机（Aho-Corasick Automaton）就显示出其强大威力。本文将深入解析AC自动机的原理、实现细节和应用场景。
AC自动机概述
AC自动机是由Alfred V. Aho和Margaret J. Corasick在1975年发明的多模式字符串匹配算法。它结合了Trie树和有限状态机的思想，通过预处理模式集合构建一个自动机，能够在O(n+m+z)的时间复杂度内完成搜索，其中n是文本长度，m是所有模式的总长度，z是匹配次数。
核心组件解析
1. Trie树结构
AC自动机的基础是一棵Trie树（字典树），用于存储所有模式字符串：
@Data
public class ACNode {
// 子节点
private Map<Character, ACNode> children = new HashMap<>();
// 回退指针
private ACNode fail;
// 是否是某个模式的结束节点
private boolean isEnd;
// 敏感词
private String pattern;
// 添加子节点
public void addChild(char c, ACNode node) {
children.put(c, node);
}
// 获取子节点
public ACNode getChild(char c) {
return children.get(c);
}
}
每个节点包含：
- 子节点映射（字符到节点的映射）
- 失败指针（用于匹配失败时的跳转）
- 结束标志（标记是否为某个模式的终点）
- 模式字符串（存储完整的匹配模式）
2. 构建Trie树
public void buildTrie(String[] patterns) {
for (String pattern : patterns) {
ACNode current = root;
for (char c : pattern.toCharArray()) {
if (current.getChild(c) == null) {
current.addChild(c, new ACNode());
}
current = current.getChild(c);
}
current.setEnd(true);
current.setPattern(pattern);
}
}
构建过程将每个模式逐字符插入Trie树，形成从根节点到叶子节点的路径。
3. 失败指针构建
失败指针是AC自动机的核心创新，它使得匹配失败时能够高效跳转：
public void buildFailPointers() {
Queue<ACNode> queue = new LinkedList<>();
root.setFail(null);
queue.offer(root);
while (!queue.isEmpty()) {
ACNode current = queue.poll();
for (Map.Entry<Character, ACNode> entry : current.getChildren().entrySet()) {
char c = entry.getKey();
ACNode child = entry.getValue();
if (current == root) {
child.setFail(root);
} else {
ACNode failNode = current.getFail();
while (failNode != null && failNode.getChild(c) == null) {
failNode = failNode.getFail();
}
child.setFail(failNode == null ? root : failNode.getChild(c));
}
queue.offer(child);
}
}
}
失败指针的构建采用BFS策略：
- 根节点的失败指针为null
- 根节点的直接子节点失败指针指向根节点
- 其他节点的失败指针通过其父节点的失败指针递归查找
4. 搜索匹配
public Map<String, List<Integer>> search(String text) {
Map<String, List<Integer>> result = new HashMap<>();
ACNode current = root;
for (int i = 0; i < text.length(); i++) {
char c = text.charAt(i);
while (current != root && current.getChild(c) == null) {
current = current.getFail();
}
current = current.getChild(c) != null ? current.getChild(c) : root;
ACNode temp = current;
while (temp != root) {
if (temp.isEnd()) {
result.computeIfAbsent(temp.getPattern(), k -> new ArrayList<>())
.add(i - temp.getPattern().length() + 1);
}
temp = temp.getFail();
}
}
return result;
}
搜索过程：
- 从根节点开始
- 对文本每个字符，沿Trie树移动或沿失败指针回退
- 检查当前节点及其失败路径上的所有结束节点，记录匹配
算法优势
- 高效性：预处理后只需单次文本扫描
- 完整性：能找出所有模式的所有出现位置
- 灵活性：支持动态添加模式（需重建失败指针）
应用场景
- 敏感词过滤系统
- 病毒特征码检测
- 生物信息学中的DNA序列分析
- 网络入侵检测系统
- 拼写检查器
完整实现代码
import lombok.Data;
import java.util.*;
@Data
public class ACNode {
// 子节点
private Map<Character, ACNode> children = new HashMap<>();
// 回退指针
private ACNode fail;
// 是否是某个模式的结束节点
private boolean isEnd;
// 敏感词
private String pattern;
// 添加子节点
public void addChild(char c, ACNode node) {
children.put(c, node);
}
// 获取子节点
public ACNode getChild(char c) {
return children.get(c);
}
}
public class ACAutomaton {
private ACNode root;
public ACAutomaton() {
this.root = new ACNode();
}
// 构建Trie树
public void buildTrie(String[] patterns) {
for (String pattern : patterns) {
ACNode current = root;
for (char c : pattern.toCharArray()) {
if (current.getChild(c) == null) {
current.addChild(c, new ACNode());
}
current = current.getChild(c);
}
current.setEnd(true);
current.setPattern(pattern);
}
}
// 构建回退指针
public void buildFailPointers() {
Queue<ACNode> queue = new LinkedList<>();
root.setFail(null);
queue.offer(root);
while (!queue.isEmpty()) {
ACNode current = queue.poll();
// 遍历当前节点的所有子节点
for (Map.Entry<Character, ACNode> entry : current.getChildren().entrySet()) {
char c = entry.getKey();
ACNode child = entry.getValue();
if (current == root) {
child.setFail(root);
} else {
ACNode failNode = current.getFail();
while (failNode != null && failNode.getChild(c) == null) {
failNode = failNode.getFail();
}
child.setFail(failNode == null ? root : failNode.getChild(c));
}
queue.offer(child);
}
}
System.out.println("AC自动机构建完成");
}
// 搜索匹配
public Map<String, List<Integer>> search(String text) {
Map<String, List<Integer>> result = new HashMap<>();
ACNode current = root;
for (int i = 0; i < text.length(); i++) {
char c = text.charAt(i);
while (current != root && current.getChild(c) == null) {
current = current.getFail();
}
current = current.getChild(c) != null ? current.getChild(c) : root;
// 检查当前节点及其失败指针链上的所有匹配
ACNode temp = current;
while (temp != root) {
if (temp.isEnd()) {
result.computeIfAbsent(temp.getPattern(), k -> new ArrayList<>())
.add(i - temp.getPattern().length() + 1);
}
temp = temp.getFail();
}
}
return result;
}
public static void main(String[] args) {
ACAutomaton automaton = new ACAutomaton();
String[] patterns = {"he", "she", "his", "hers"};
automaton.buildTrie(patterns);
automaton.buildFailPointers();
String text = "ushers";
Map<String, List<Integer>> result = automaton.search(text);
System.out.println("在文本 \"" + text + "\" 中匹配到以下模式：");
result.forEach((pattern, positions) -> {
System.out.print(pattern + ": ");
positions.forEach(pos -> System.out.print("位置 " + pos + " "));
System.out.println();
});
}
}
性能优化建议
- 节点压缩：使用双数组Trie树减少内存占用
- 并行处理：对大规模文本可分块并行处理
- 增量更新：实现模式动态添加而不重建整个自动机
- 内存优化：根据字符集特性选择合适的数据结构存储子节点
总结
AC自动机是多模式匹配的经典算法，通过巧妙设计的失败指针实现了高效匹配。理解其原理和实现细节对于开发高性能文本处理系统至关重要。本文提供的Java实现完整展示了AC自动机的构建和搜索过程，可直接用于实际项目或作为学习参考。
扫一扫
578
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
