Question

我试图弄清楚如何在后缀数组中出现二进制搜索一次出现模式。我们有一个文字：petertomasjohnerrnoerror。我试着找er。

SA是此文字的后缀数组：8,14,19,3,1,12,10,7,13,17,18,11,6,22,0,23,16,21,15,20,4,9,2,5

现在，我想找到后缀数组的任何索引，该值指向一个'er'。因此输出将是SA中的索引，指向3,14 or 19，因此它将返回1,2或3

我试图使用二进制搜索，但我无法弄清楚如何。

def findOneOccurence(text,SA,p):
    high = len(text)-1           # The last index
    low = 0                      # the lowest index
    while True:
        check = (high-low)/2     # find a middle

        if p in text[SA[check]:SA[check]+len(p)]:
            return check
        else:
            if text[SA[check]:SA[check]+len(p)]<p:
                low = check
            else:
                high = check
        if high<=low:
            return None

返回11。但是text[SA[11]:SA[11]+2]是'oh'的{{1}}个instad。哪个可能是问题？

此功能适用于有关数百万个字符的大量文本。

编辑：我发现了一个错误。而不是'er'应该是text[SA[check]:SA[check+len(p)]]<p:，而是它仍然是错误的。它返回None而不是text[SA[check]:SA[check]+len(p)]<p:

编辑II：另一个错误：如果高＆gt; =低变为高＆lt; =低，现在，它返回2，这是好的。

编辑III：现在它可以工作，但是在某些输入上它会进入循环并且永远不会结束。

Answer 1

借阅和编辑https://hg.python.org/cpython/file/2.7/Lib/bisect.py

>>> text= 'petertomasjohnerrnoerror'
>>> SA = 8,14,19,3,1,12,10,7,13,17,18,11,6,22,0,23,16,21,15,20,4,9,2,5
>>> def bisect_left(a, x, text, lo=0, hi=None):
    if lo < 0:
        raise ValueError('lo must be non-negative')
    if hi is None:
        hi = len(a)
    while lo < hi:
        mid = (lo+hi)//2
        if text[a[mid]:] < x: lo = mid+1
        else: hi = mid
    if not text[a[lo]:].startswith(x): 
        # i suppose text[a[lo]:a[lo]+len(x)] == x could be a faster check
        raise IndexError('not found')
    return a[lo]

>>> bisect_left(SA, 'er', text)
14

使用后缀数组找到一个子串的出现

1 个答案: