Question

我需要从C ++中的一组文件名计算最长的公共子串。

准确地说，我有一个std :: std :: strings的列表（或QT等价，也没关系）

char const *x[] = {"FirstFileWord.xls", "SecondFileBlue.xls", "ThirdFileWhite.xls", "ForthFileGreen.xls"};
std::list<std::string> files(x, x + sizeof(x) / sizeof(*x));

我需要计算所有字符串的n个不同的最长公共子串，在这种情况下，例如对于n = 2

 "File" and ".xls"

如果我可以计算最长的公共子序列，我可以将其删除并再次运行算法以获得第二长的，所以基本上归结为：

是否存在用于计算std :: std :: strings列表的LCS的（引用？）实现？

这不是一个好的答案，而是一个肮脏的解决方案 - 在QUrls的QList上强力执行，只从中取出最后一个“/”之后的部分。我很想用“正确的”代码替换它。

（我发现http://www.icir.org/christian/libstree/ - 这会有很大的帮助，但我无法在我的机器上编译它。有人可能会使用它吗？）

QString SubstringMatching::getMatchPattern(QList<QUrl> urls)
    {
    QString a;

    int foundPosition = -1;
    int foundLength = -1;
    for (int i=urls.first().toString().lastIndexOf("/")+1; i<urls.first().toString().length(); i++)
    {
        bool hit=true;
        int xj;
        for (int j=0; j<urls.first().toString().length()-i+1; j++ ) // try to match from position i up to the end of the string :: test character at pos. (i+j)
        {
            if (!hit) break;

            QString firstString = urls.first().toString().right( urls.first().toString().length()-i ).left( j ); // this needs to match all k strings
            //qDebug() << "SEARCH " << firstString;

            for (int k=1; k<urls.length(); k++) // test all other strings, k = test string number
            {
                if (!hit) break;

                //qDebug() << " IN  " << urls.at(k).toString().right(urls.at(k).toString().length() - urls.at(k).toString().lastIndexOf("/")+1);
                //qDebug() << " RES " << urls.at(k).toString().indexOf(firstString, urls.at(k).toString().lastIndexOf("/")+1);
                if (urls.at(k).toString().indexOf(firstString, urls.at(k).toString().lastIndexOf("/")+1)<0) {
                    xj = j;
                    //qDebug() << "HIT LENGTH " << xj-1 << " : " << firstString;
                    hit = false;
                }
            }

        }
        if (hit) xj = urls.first().toString().length()-i+1; // hit up to the end of the string
        if ((xj-2)>foundLength) // have longer match than existing, j=1 is match length
        {
            foundPosition = i; // at the current position
            foundLength = xj-1;
            //qDebug() << "Found at " << i << " length " << foundLength;
        }
    }

    a = urls.first().toString().right( urls.first().toString().length()-foundPosition ).left( foundLength );
    //qDebug() << a;
    return a;
}

Answer 1

如果你说后缀树太重或者不切实际，请注意以下几点相当简单的蛮力方法可能适合您的应用。

我假设不同的子串应该是非重叠的并从中挑选出来从左到右。

即使有这些假设，也不需要包含一个独特的集合 “一组字符串中的 N 不同的最长公共子串”。无论 N 是什么，可能存在多个 N 不同的公共子串，它们都是相同的最大值长度和其中任何 N 的选择都是任意的。于是解决方案找到最长的不同共同点的最多 N *集* 所有长度相同的子串都是一组。

算法如下：

Q 是目标长度配额。
字符串是字符串的问题集。
结果是一个最初为空的多图，它将长度映射到一组字符串， 结果[l] 是长度为 l的集合
N ，最初为0，是结果
如果 Q 为0或字符串为空，请返回结果
找到 Strings 的最短成员;保留它的副本 S 并将其删除来自字符串。我们继续比较 S 的子串 Strings ，因为{ Strings ， S }的所有常见子字符串必须是 S 的子串。
迭代生成 S 的所有子串，最长的第一个，使用由偏移量和长度控制的明显嵌套循环。对于每个子字符串 ss 取值：
- 如果 ss 不是字符串的常用子字符串，则接下来。
- 迭代结果[l] l ＆gt; = ss 的长度直到结束结果或直到 ss 被发现是被检查的子字符串结果。在后一种情况下， ss 与已经的结果没有区别在手，所以接下来。
- ss 是常见的子串，与已有的子串不同。迭代 l 的结果[l] ＆lt; ss 的长度，删除每个结果为a ss 的子字符串，因为所有这些都比 ss 短并且不明显从中。 ss 现在是一个常见的子字符串，与已有的子字符串不同剩下的所有其他人都与 ss 不同。
- 对于 l = ss 的长度，检查 Results [l] 是否存在，即有任何结果与 ss 的长度相同。如果没有，请拨打电话 NewLength 条件。
- 同时检查 N == Q ，即我们是否已达到不同的目标配额长度。如果 NewLength 获得 N == Q ，请调用 StickOrRaise 条件。
- 如果 StickOrRaise 获得，则将 ss 的长度与 l =进行比较手中最短结果的长度。如果 ss 短于 l 那么它对我们的配额来说太短了，所以接下来。如果 ss 超过 l 那么所有最短的结果都将被推翻为 ss ，所以删除 结果[l] 并递减 N 。
- 将 ss 插入结果按其长度键入。
- 如果 NewLength 获得，则递增 N 。
- 放弃具有 S 的子串的内部迭代 ss 的偏移量相同但更短，因为它们都不是明显的来自 ss 。
- 将外部迭代的 S 中的偏移量增加 ss 的长度，到下一个非重叠子字符串的开头。
返回结果。

这是一个实现解决方案并用它来演示的程序字符串列表：

#include <list>
#include <map>
#include <string>
#include <iostream>
#include <algorithm>

using namespace std;

// Get a non-const iterator to the shortest string in a list
list<string>::iterator shortest_of(list<string> & strings)
{
    auto where = strings.end();
    size_t min_len = size_t(-1);
    for (auto i = strings.begin(); i != strings.end(); ++i) {
        if (i->size() < min_len) {
            where = i;
            min_len = i->size();
        }
    }
    return where;
}

// Say whether a string is a common substring of a list of strings
bool 
is_common_substring_of(
    string const & candidate, list<string> const & strings)
{
    for (string const & s : strings) {
        if (s.find(candidate) == string::npos) {
            return false;
        }
    }
    return true;
}


/* Get a multimap whose keys are the at-most `quota` greatest 
    lengths of common substrings of the list of strings `strings`, each key 
    multi-mapped to the set of common substrings of that length.
*/
multimap<size_t,string> 
n_longest_common_substring_sets(list<string> & strings, unsigned quota)
{
    size_t nlengths = 0;
    multimap<size_t,string> results;
    if (quota == 0) {
        return results;
    }
    auto shortest_i = shortest_of(strings);
    if (shortest_i == strings.end()) {
        return results;
    }
    string shortest = *shortest_i;
    strings.erase(shortest_i);
    for ( size_t start = 0; start < shortest.size();) {
        size_t skip = 1;
        for (size_t len = shortest.size(); len > 0; --len) {
            string subs = shortest.substr(start,len);
            if (!is_common_substring_of(subs,strings)) {
                continue;
            }
            auto i = results.lower_bound(subs.size());
            for (   ;i != results.end() && 
                    i->second.find(subs) == string::npos; ++i) {}
            if (i != results.end()) {
                continue;
            }
            for (i = results.begin(); 
                    i != results.end() && i->first < subs.size(); ) {
                if (subs.find(i->second) != string::npos) {
                    i = results.erase(i);
                } else {
                    ++i;
                }
            }
            auto hint = results.lower_bound(subs.size());
            bool new_len = hint == results.end() || hint->first != subs.size();
            if (new_len && nlengths == quota) {
                size_t min_len = results.begin()->first;
                if (min_len > subs.size()) {
                    continue;
                }
                results.erase(min_len);
                --nlengths;
            }
            nlengths += new_len;
            results.emplace_hint(hint,subs.size(),subs);
            len = 1;
            skip = subs.size();
        }
        start += skip;
    }
    return results; 
}

// Testing ...

int main()
{
    list<string> strings{
        "OfBitWordFirstFileWordZ.xls", 
        "SecondZWordBitWordOfFileBlue.xls", 
        "ThirdFileZBitWordWhiteOfWord.xls", 
        "WordFourthWordFileBitGreenZOf.xls"};

    auto results = n_longest_common_substring_sets(strings,4);
    for (auto const & val : results) {
        cout << "length: " << val.first 
        << ", substring: " << val.second << endl;
    }
    return 0;
}

输出：

length: 1, substring: Z
length: 2, substring: Of
length: 3, substring: Bit
length: 4, substring: .xls
length: 4, substring: File
length: 4, substring: Word

（使用gcc 4.8.1构建）

来自两个以上字符串的最长公共子字符串 - C ++

1 个答案: