在Java中搜索字符串中的一组字符串的有效方法

Question

我有一组大小约100-200的元素。 让样本元素为X

每个元素都是一组字符串（这样一组中的字符串数在1到4之间）。 X = { s1 ， s2 ， s3 }

对于给定的输入字符串（约100个字符），说P ，我想测试任何是否X是存在于串英寸

对于所有s属于X ， X 存在于P iff中， s是P的子串。

这组元素可用于预处理。

---

我希望在Java中尽可能快。 可能的方法不符合我的要求：

• 检查所有的字符串是否s的子串的P似乎是一个代价高昂的操作
• 因为s可以是P任何子串（不一定是单词），所以我不能使用单词的散列
• 我不能直接使用正则表达式，因为s1 ， s2 ， s3可以以任何顺序出现，并且所有字符串都需要作为子字符串出现

---

现在我的方法是从每个X构造一个巨大的正则表达式，其中包含字符串顺序的所有可能排列。 因为X <= 4中的元素数量，这仍然是可行的。 如果有人能指出我更好（更快/更优雅）的方法，那将是很棒的。

请注意，元素集可用于预处理，我想要java中的解决方案。

Answer 1

您可以直接使用正则表达式：

Pattern regex = Pattern.compile(
    "^               # Anchor search to start of string\n" +
    "(?=.*s1)        # Check if string contains s1\n" +
    "(?=.*s2)        # Check if string contains s2\n" +
    "(?=.*s3)        # Check if string contains s3", 
    Pattern.DOTALL | Pattern.COMMENTS);
Matcher regexMatcher = regex.matcher(subjectString);
foundMatch = regexMatcher.find();

如果字符串中存在所有三个子字符串，则foundMatch为true。

请注意，如果它们可能包含正则表达式元字符，则可能需要转义“”字符串“。

Answer 2

听起来你在实际发现特定方法实际上太慢之前过早地优化了代码。

关于你的字符串集的一个很好的属性是字符串必须包含X所有元素作为子字符串 - 这意味着如果我们找到一个未包含在P的X元素，我们就会快速失败。 这可能会比其他方法更好地节省时间，特别是如果X的元素通常长于几个字符并且不包含或仅包含少量重复字符。 例如，当检查是否存在具有非重复字符（例如，惯性）的5长度字符串时，正则表达式引擎仅需要检查100个长度字符串中的20个字符。 而且由于X确实有100-200个元素，所以如果可以的话，真的想要快速失败。

我的建议是按照长度顺序对字符串进行排序，并依次检查每个字符串，如果找不到一个字符串则提前停止。

Answer 3

看起来像Rabin-Karp算法的完美案例：

Rabin-Karp因单一模式搜索Knuth-Morris-Pratt算法，Boyer-Moore字符串搜索算法以及其他更快的单模式字符串搜索算法而劣势，因为它具有缓慢的最坏情况行为。 然而，Rabin-Karp是多模式搜索的首选算法。

Answer 4

当预处理时间无关紧要时，您可以创建一个哈希表，该表将每个单字母，双字母，三字母等组合映射到至少一个字符串中的字符串列表中。

索引字符串的算法看起来像那样（未经测试）：

HashMap<String, Set<String>> indexes = new HashMap<String, Set<String>>();

for (int pos = 0; pos < string.length(); pos++) {
    for (int sublen=0; sublen < string.length-pos; sublen++) {
         String substring = string.substr(pos, sublen);
         Set<String> stringsForThisKey = indexes.get(substring);
         if (stringsForThisKey == null) {
             stringsForThisKey = new HashSet<String>();
             indexes.put(substring, stringsForThisKey);
         }
         stringsForThisKey.add(string);
    }
}

索引每个字符串的方式将是字符串长度的二次方，但只需要为每个字符串完成一次。

但结果是对发生特定字符串的字符串列表进行恒速访问。

Answer 5

您可能正在寻找Aho-Corasick算法 ，该算法从字符串集（字典）构造自动机（类似于trie），并尝试使用此自动机将输入字符串与字典进行匹配。

Answer 6

一种方法是生成每个可能的子字符串并将其添加到集合中。 这非常低效。

相反，您可以创建从任何点到最后的所有字符串到NavigableSet并搜索最接近的匹配。 如果最接近的匹配以您要查找的字符串开头，则您具有子字符串匹配。

static class SubstringMatcher {
    final NavigableSet<String> set = new TreeSet<String>();

    SubstringMatcher(Set<String> strings) {
        for (String string : strings) {
            for (int i = 0; i < string.length(); i++)
                set.add(string.substring(i));
        }
        // remove duplicates.
        String last = "";
        for (String string : set.toArray(new String[set.size()])) {
            if (string.startsWith(last))
                set.remove(last);
            last = string;
        }
    }

    public boolean findIn(String s) {
        String s1 = set.ceiling(s);
        return s1 != null && s1.startsWith(s);
    }
}

public static void main(String... args) {
    Set<String> strings = new HashSet<String>();
    strings.add("hello");
    strings.add("there");
    strings.add("old");
    strings.add("world");
    SubstringMatcher sm = new SubstringMatcher(strings);
    System.out.println(sm.set);
    for (String s : "ell,he,ow,lol".split(","))
        System.out.println(s + ": " + sm.findIn(s));
}

版画

[d, ello, ere, hello, here, ld, llo, lo, old, orld, re, rld, there, world]
ell: true
he: true
ow: false
lol: false

Answer 7

您可能还想考虑使用“后缀树”。 我没有用过这个代码，但是有一个描述在这里

我使用了专有的实现（我甚至不能访问）并且它们非常快。