Aho-Corasick算法實踐
摘要：Aho-Corasick算法可以在文本串中識別一組關鍵字，所需時間和文本長度以及所有關鍵字的總長度成正比。該算法使用了一種稱為“trie”的特殊形式的狀態裝換圖。Trie是一個樹形結構的狀態裝換圖，從一個結點到它的各個子結點的邊上有不同的標號。Trie的葉子結點表示識別到的關鍵字。
在這里，將著重討論算法的實現。算法包含兩個部分，一是經典的KMP算法，二是KMP的擴展算法Aho-Corasick算法。前者實現單關鍵字的模式匹配，后者實現多關鍵字的匹配。(參考龍書詞法分析部分內容)
【源代碼：http://www.shnenglu.com/Files/yefeng/ACKMP.rar(vc9.0下測試通過) 】
一、經典KMP算法
當初，初學KMP算法時，總是通過反復的舉例去理解，沒有一種好的表達方式，而龍書描述這個算法使用了trie樹，也就是一個單鏈的狀態轉換圖。如模式b0b1...bn-1，trie樹如下： 
對模式串定義失效函數f:x->y,x,y in S，描述狀態轉移，f(s)表示在狀態s處，當下一個字符不是bs時轉向狀態f(s)繼續匹配。因此設置f(s)成為關鍵問題。
f(s)的存在其實主要是為了消除回溯。細節就不再多說了，這里只從原理上簡單說明。
設模式串為W，用文法描述，U、V表示W的一部分,w表示一個字符：
W -> UwV，
當U識別完成后，進入狀態s，識別w時，發現到來的字符不等于w，則需要轉向狀態f(s)，f(s)到哪里去找呢？
那就要看U是什么樣子了。不管什么情況，只要U非空串，總可以表示成：
U -> uXu，或 U -> u，或U-> uXx，(x != u)
可以發現，前綴u是，如果后綴也是u，意味著主串中u已經被識別，如果還從模式串頭匹配u無疑是多余的，所以f(s)應該是識別前綴u后進入的狀態。然后再匹配下一個字符。而滿足條件的u可能會有多個，所以總是選擇最長的那個。偽代碼如下：
到此為止，應該算是可以結束KMP了，但實際情況下還可以對f函數進行優化。很多書本上描述的next數組就可以從f函數推導過來。
其實也顯然，設狀態s接收字符w，當與輸入字符c不等于c時，轉向狀態t，倘若t狀態也只接收字符w，顯然再次比較w與c是多余的，之后必然再次轉向狀態f(t)。在運行的時候，這些狀態轉換時沒有意義的，可以在構造f之后，直接將f(s)設置為f(t)提高運行效率(不過此時f函數的意義已經不同了)。f優化如下：
二、多關鍵字匹配與Aho-Corasick算法
Aho和Corasick對KMP算法進行了推廣，使它可以在一個文本串識別一個關鍵字集合中的任何關鍵字。在這種情況下，trie是一棵真正的樹，從其根結點開始就會出現分支。如果一個字符串是某個關鍵字的前綴，那么在trie中就又一個和該字符串對應的狀態。如關鍵字集合{he,she,his,hers}，trie樹如下：
類似的，仍然構造類似KMP算法中那樣的實效函數。對于上面的例子，失效函數如下：
|
s |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
f(s) |
-1 |
0 |
0 |
0 |
1 |
2 |
0 |
3 |
0 |
3 |
1.構造失效函數
類似KMP算法，同樣采用實效實效函數推進的方法，假設當前狀態為s，s的一個孩子結點的根結點根節點t狀態，如果當前的失效函數已知為f(s)，則顯然地，f(t)必定是f(s)的孩子結點狀態，所要做的就是在狀態f(s)處尋找接受字符同s->t下一個狀態，如果能找到，那就是f(t)，否則說明到s處匹配串的前綴長度太長，需縮減，所以需要找到更短的后綴，于是就到f(s)處繼續，如果仍然找不到，則轉到f(f(s))處，形成狀態的遞歸轉移。構造中需要遍歷之前結點的所有孩子，所以需采用廣度優先遍歷，偽代碼如下：
具體的構造如下：
2.構造Trie樹
具體實現當然需要用到樹形結構了，顯然采用靜態鏈表應該是最適合的，因為樹構造完就不需要改變，而且當模式串比較多的時候可以減少內存碎片。
每一個結點有5個域：接受字符，下一個兄弟結點，第一個孩子結點，失效函數值，結點狀態。
但是有一種特殊情況，如上面的第二個圖，在進行匹配時，hers是永遠不會被匹配，因為he總是先于hers被匹配。這里就不考慮在內點狀態結束，這個問題暫時無法解決。于是可以做個特殊處理，只使用4個域，因為此時匹配成功后狀態就到了葉子結點，葉子結點不存在孩子域，這個域被浪費了，這里就可以借用一下，比如此域值為x，當x<0時，使用x xor 0x80000000表示識別到的模式串編號。
另一個棘手的問題是結點個數問題，這個數組到底多大？如何確定？
可以使用分值算法計算，先把模式串按字典順序排好序，設想n個排好序的模式串第i位排在一起，相同字符的組成一組，如AiBi…Xi，再把每組下一個字符，也就是第i+1位排在一起，相同字符的組成一組，如A’iB’I…X’i，以此遞歸運算。偽代碼如下：
3.缺點
水平有限，程序缺點很多，很多問題都沒有解決。
1.如果存在兩個模式串，一個是另一個的子串，那么后者將無法被匹配。
2.無法處理動態決定大小寫敏感性
3.不夠完整，只能向后匹配
]]>
看似很簡單的工作，設計中卻遇到了很多困難。
困難一：鍵盤按鍵分類
鍵盤按鍵有很多種分類方法。
第一種：按顯示分類。按住shift鍵，字母鍵、符號鍵顯示上面的字符；按下caps lock鍵，字母鍵切換為大寫字母。
第二種：按功能分類。大體有可顯示字符類、控制類。控制類包括shift，ctrl等。
為了解決可變的顯示問題，采用了一個自我感覺非常好的解決方案：字符集、鍵集相互獨立。如此一來，只要總體按照功能分類，通過特定功能的按鍵控制有效字符集即可，也就是說，對普通按鍵來說，它只負責到指定的字符集中去取對應序號的字符即可。
#pragma once
//字母標簽集合
class LabelSet
{
public:
LabelSet(LPCSTR* _pTable,int _n);
LPCSTR getLabel(int _id) const;
~LabelSet();
protected:
LabelSet(){}
private:
LPCSTR* pTable;
int n;
};
//相當于單刀雙擲開關組
class LabelSetEx
{
protected:
struct Switch
{
LabelSet* s[2];
int at;
};
public:
LabelSetEx(int _n);
bool addSets(int id,LPCSTR* s1,LPCSTR* s2,int n,int at = 0);
LPCSTR getLable(int id,int off) const;
void turn(int id);
~LabelSetEx();
private:
int n; //開關組總個數
Switch* pGroup; //開關組
};
//
//LabelSet.cpp
#include "StdAfx.h"
#include "LabelSet.h"
#include <algorithm>
#include <cassert>
using namespace std;
LabelSet::LabelSet( LPCSTR* _pTable,int _n )
{
n = _n;
pTable = new LPCSTR[n];
copy(_pTable,_pTable + _n,pTable);
}
LPCSTR LabelSet::getLabel( int _id ) const
{
return pTable[_id];
}
LabelSet::~LabelSet()
{
delete [] pTable;
}
LabelSetEx::LabelSetEx( int _n )
{
n = _n;
pGroup = new Switch[n];
memset(pGroup,0,n * sizeof(pGroup[0]));
}
LabelSetEx::~LabelSetEx()
{
while(n--)
{
if(pGroup[n].s[0] == pGroup[n].s[1])
delete pGroup[n].s[0];
else
{
delete pGroup[n].s[0];
delete pGroup[n].s[1];
}
}
delete [] pGroup;
}
bool LabelSetEx::addSets( int id,LPCSTR* s1,LPCSTR* s2,int n,int at /*= 0*/ )
{
assert((at & ~1) == 0);
if(pGroup[id].s[0] != NULL)
return false;
LabelSet* p = new LabelSet(s1,n);
pGroup[id].s[0] = p;
if(s1 == s2)
pGroup[id].s[1] = p;
else
pGroup[id].s[1] = new LabelSet(s2,n);
pGroup[id].at = at;
return true;
}
LPCSTR LabelSetEx::getLable( int id,int off ) const
{
Switch* p = pGroup + id;
return p->s[p->at]->getLabel(off);
}
void LabelSetEx::turn( int id )
{
assert((pGroup->at & ~1) == 0);
pGroup[id].at ^= 1;
}
//分類id的定義
#define LABEL_SET_ALPHA 0
#define LABEL_SET_SYMBOL 1
#define LABEL_SET_NUMPAD 2
#define LABEL_SET_MAIN 3
#define LABEL_SET_HELP 4
//字母串表
extern LPCSTR AlphaTable1[]; //小寫
extern LPCSTR AlphaTable2[]; //大寫
extern const int AlphaTableSize;
//符號串表
extern LPCSTR SymbolTable1[]; //下
extern LPCSTR SymbolTable2[]; //上
extern const int SymbolTableSize;
//小鍵盤數字表
extern LPCSTR NumPadTable1[]; //數字
extern LPCSTR NumPadTable2[]; //光標控制
extern const int NumPadTableSize;
//主鍵盤單顯
extern LPCSTR MainTable[];
extern const int MainTableSize;
//輔助鍵盤單顯
extern LPCSTR HelpTable[];
extern const int HelpTableSize;
struct KeyConfig
{
short id; //分類id
short offset; //類內偏移
RECT rt; //位置
BYTE vk; //虛擬碼
};
extern KeyConfig kcs[];
extern const int kcSize;
extern const SIZE kbSize;
言歸正傳，這樣的設計分離了按鍵與顯示，可配置能力大大加強。但仍然存在第二個大問題。
問題二：輸入焦點的確定
方案一：現在只要在網上搜索“虛擬鍵盤”，能夠搜到一大溜的源代碼，但只可惜全是同一份拷貝，而且存在一點小錯誤。他的解決方案是：利用 PreTranslateMessage，在底層調用它之前，前臺窗口仍然沒有改變，此時是獲得前一個前臺窗口的好時機，獲得后保存，并將使用 AttachThreadInput將當前線程綁定活動窗口的消息隊列，然后在單擊虛擬鍵盤時使用SetFocus將保存的窗口設為焦點（源代碼中同時使用了SetForgroundWindow和SetFocus，這是失效的原因），然后發送虛擬按鍵。
方案二：其實有更簡便的方法。設置主窗口屬性為WM_ES_NOACTIVATE，這樣窗口就不會成為前臺窗口，不管如何發送鍵盤消息，擁有焦點的窗口總會收到。但此時仍然存在問題。當移動窗口時，效果不大順暢，而且沒辦法響應菜單命令，那是因為該窗口始終不是前臺窗口造成的。解決方法就是在單擊標題欄時，成為前臺窗口，釋放是歸還前臺。
{
if(m_hForground == NULL)
{
m_hForground = ::GetForegroundWindow();
ModifyStyleEx(WS_EX_NOACTIVATE,0);
SetForegroundWindow();
}
CFrameWnd::OnNcLButtonDown(nHitTest, point);
}
{
if(m_hForground != NULL)
{
::SetForegroundWindow(m_hForground);
ModifyStyleEx(0,WS_EX_NOACTIVATE);
m_hForground = NULL;
}
CFrameWnd::OnNcMouseMove(nHitTest, point);
}
原本以為一般的按鍵就兩種狀態，通過down、up改變，如果用方波描述，down就是下降沿觸發，up是上升沿觸發。也曾了解，像shift這樣的按鍵會很復雜，存在多個狀態。后來測試發現，shift并非一個特例，所有的按鍵都有4個狀態，通過down、up改變狀態。只是不同按鍵對狀態的關注點不同。
可以做這樣一個測試，用GetKeyboardState得到各個虛擬碼對應的按鍵狀態。最高位為1時表示鍵被按下，最高位為1時，如果是lock鍵則表示被鎖住，對于其他鍵，各有各的作用。
比如一個鍵，用2位的二進制數表示這些狀態，設初始狀態為10，經過down后，變為01，經過up后，變為11,再經過down后，變為00，再經過up后，變為10，如此四個狀態經過down、up實現了周期性的狀態裝換。大體符合這樣的規律：
10-(down xor 11)->01->(up xor 10)->11-(down xor 11)->00(up xor 10)->10。
這樣，如果虛擬得比較徹底，在虛擬鍵盤內部可以輕易地實現狀態的記憶，并且可以獲得足夠的信息。對于顯示、控制都非常方便。
這只是第一個版本，還有很多問題需要解決。
待解決問題一：xml配置動態配置鍵盤，及動態更換顯示效果。
待解決問題二：同步物理鍵盤。
待解決問題三：更深層次，防止鍵盤消息被hook，初步認識，似乎可以使用剪貼板。
【源代碼1.2版本：http://www.shnenglu.com/Files/yefeng/VirtualKeyboard1.2.rar】
]]>