Algoritmy pro vyhledávání v textu

Algoritmy pro vyhledávání v textu jsou důležitou třídou algoritmů pro práci s textovými řetězci. Slouží ke hledání místa, kde se jeden či více řetězců (vzorků) shoduje s částí většího textu.

Nechť Σ je abeceda (konečná množina). Formálně jsou vzorek i prohledávaný text řetězce prvků množiny Σ, což může být běžně používaná abeceda (například písmena A až Ž), binární abeceda (Σ = {0,1}) nebo abeceda DNA (Σ = {A,C,G,T}) používaná v bioinformatice.

V praxi může mít způsob, jakým je řetězec zakódován, vliv na samotný vyhledávací algoritmus. Obzvláště pokud je použita proměnná délka kódování, trvá dlouho (vzhledem k délce textu N) nalezení N-tého znaku a znatelně to zpomaluje mnoho pokročilejších vyhledávacích algoritmů. Abychom tento problém vyřešili, můžeme místo samotného řetězce hledat posloupnost, pomocí níž je zakódován. Pokud však k tomu kódování není přizpůsobeno, může takové řešení vést k falešným shodám.

Základní rozdělení

Algoritmy můžeme rozdělit podle počtu vzorků, které používají.

Algoritmy používající jeden vzorek

Nechť m je délka vzorku a n je délka prohledávaného textu.

Algoritmus	Čas potřebný pro předzpracování	Čas potřebný pro vyhledání
Naivní vyhledávání	0	Θ((n-m+1) m)
Rabinův–Karpův algoritmus	Θ(m)	průměrně Θ(n+m), nejhůře Θ((n-m+1) m)
vyhledávání založené na konečném automatu	Θ(m \|Σ\|)	Θ(n)
Knuthův–Morrisův–Prattův algoritmus	Θ(m)	Θ(n)
Boyerův–Mooreův algoritmus	Θ(m + \|Σ\|)	Ω(n/m), O(n)

Algoritmy používající konečnou množinu vzorků

Aho–Corasick algoritmus pro shodů řetězců
Commentz–Walter algoritmus
Rabin–Karp algoritmus pro vyhledávání v textu

Algoritmy používající nekonečně mnoho vzorků

V tomto případě nemohou být vzorky jednoduše vyjmenovány. Obvykle je reprezentujeme pomocí regulární gramatiky nebo regulárního výrazu.

Odkazy

Reference

V tomto článku byl použit překlad textu z článku String searching algorithm na anglické Wikipedii.

Literatura

POKORNÝ, Jaroslav; SNÁŠEL, Václav; HÚSEK, Dušan, 1998. Dokumentografické informační systémy. Praha: Karolinum – vydavatelství Univerzity Karlovy. 158 s. ISBN 80-7184-764-X. S. 25–35.
MELICHAR, Bořivoj, 1994. Textové informační systémy. Praha: vydavatelství ČVUT. 101 s. ISBN 80-01-01206-9. S. 11–43.

Externí odkazy

Obrázky, zvuky či videa k tématu algoritmy pro vyhledávání v textu na Wikimedia Commons
R. S. Boyer and J S. Moore, A fast string searching algorithm, Carom. ACM 20, (10), 262–272(1977).
Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein. Introduction to Algorithms, Second Edition. MIT Press and McGraw-Hill, 2001. ISBN 0-262-03293-7. Chapter 32: String Matching, pp.906–932.