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 rozděleníEditovat

Algoritmy můžeme rozdělit podle počtu vzorků, které používají.

Algoritmy používající jeden vzorekEditovat

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)
Rabin–Karp Θ(m) průměrně Θ(n+m),
nejhůře Θ((n-m+1) m)
vyhledávání založené na konečném automatu Θ(m |Σ|) Θ(n)
Knuth–Morris–Pratt Θ(m) Θ(n)
Boyer–Moore Θ(m + |Σ|) Ω(n/m), O(n)

Algoritmy používající konečnou množinu vzorkůEditovat

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

Algoritmy používající nekonečně mnoho vzorkůEditovat

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

ReferenceEditovat

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


Externí odkazyEditovat