跳转至

字符串哈希

定义

我们定义一个把字符串映射到整数的函数 \(f\)，这个 \(f\) 称为是 Hash 函数。

我们希望这个函数 \(f\) 可以方便地帮我们判断两个字符串是否相等。

Hash 的思想

Hash 的核心思想在于，将输入映射到一个值域较小、可以方便比较的范围。

Warning

这里的「值域较小」在不同情况下意义不同。

在 哈希表 中，值域需要小到能够接受线性的空间与时间复杂度。

在字符串哈希中，值域需要小到能够快速比较（\(10^9\)、\(10^{18}\) 都是可以快速比较的）。

同时，为了降低哈希冲突率，值域也不能太小。

性质

具体来说，哈希函数最重要的性质可以概括为下面两条：

  1. 在 Hash 函数值不一样的时候，两个字符串一定不一样；

  2. 在 Hash 函数值一样的时候，两个字符串不一定一样（但有大概率一样，且我们当然希望它们总是一样的）。

    我们将 Hash 函数值一样但原字符串不一样的现象称为哈希碰撞。

解释

我们需要关注的是什么？

时间复杂度和 Hash 的准确率。

通常我们采用的是多项式 Hash 的方法，对于一个长度为 \(l\) 的字符串 \(s\) 来说，我们可以这样定义多项式 Hash 函数：\(f(s) = \sum_{i=1}^{l} s[i] \times b^{l-i} \pmod M\)。例如，对于字符串 \(xyz\)，其哈希函数值为 \(xb^2+yb+z\)。

特别要说明的是，也有很多人使用的是另一种 Hash 函数的定义，即 \(f(s) = \sum_{i=1}^{l} s[i] \times b^{i-1} \pmod M\)，这种定义下，同样的字符串 \(xyz\) 的哈希值就变为了 \(x+yb+zb^2\) 了。

显然，上面这两种哈希函数的定义函数都是可行的，但二者在之后会讲到的计算子串哈希值时所用的计算式是不同的，因此千万注意 不要弄混了这两种不同的 Hash 方式。

由于前者的 Hash 定义计算更简便、使用人数更多、且可以类比为一个 \(b\) 进制数来帮助理解，所以本文下面所将要讨论的都是使用 \(f(s) = \sum_{i=1}^{l} s[i] \times b^{l-i} \pmod M\) 来定义的 Hash 函数。

下面讲一下如何选择 \(M\) 和计算哈希碰撞的概率。

这里 \(M\) 需要选择一个素数（至少要比最大的字符要大），\(b\) 可以任意选择。

如果我们用未知数 \(x\) 替代 \(b\)，那么 \(f(s)\) 实际上是多项式环 \(\mathbb{Z}_M[x]\) 上的一个多项式。考虑两个不同的字符串 \(s,t\)，有 \(f(s)=f(t)\)。我们记 \(h(x)=f(s)-f(t)=\sum_{i=1}^l(s[i]-t[i])x^{l-i}\pmod M\)，其中 \(l=\max(|s|,|t|)\)。可以发现 \(h(x)\) 是一个 \(l-1\) 阶的非零多项式。

如果 \(s\) 与 \(t\) 在 \(x=b\) 的情况下哈希碰撞，则 \(b\) 是 \(h(x)\) 的一个根。由于 \(h(x)\) 在 \(\mathbb{Z}_M\) 是一个域（等价于 \(M\) 是一个素数，这也是为什么 \(M\) 要选择素数的原因）的时候，最多有 \(l-1\) 个根，如果我们保证 \(b\) 是从 \([0,M)\) 之间均匀随机选取的，那么 \(f(s)\) 与 \(f(t)\) 碰撞的概率可以估计为 \(\frac{l-1}{M}\)。简单验算一下，可以发现如果两个字符串长度都是 \(1\) 的时候，哈希碰撞的概率为 \(\frac{1-1}{M}=0\)，此时不可能发生碰撞。

实现

参考代码：（效率低下的版本，实际使用时一般不会这么写）

C++
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
using std::string;

const int M = 1e9 + 7;
const int B = 233;

typedef long long ll;

int get_hash(const string& s) {
  int res = 0;
  for (int i = 0; i < s.size(); ++i) {
    res = (ll)(res * B + s[i]) % M;
  }
  return res;
}

bool cmp(const string& s, const string& t) {
  return get_hash(s) == get_hash(t);
}
Python
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
M = int(1e9 + 7)
B = 233

def get_hash(s):
    res = 0
    for char in s:
        res = (res * B + ord(char)) % M
    return res

def cmp(s, t):
    return get_hash(s) == get_hash(t)

Hash 的分析与改进

错误率

假定哈希函数将字符串随机地映射到大小为 \(M\) 的值域中，总共有 \(n\) 个不同的字符串，那么未出现碰撞的概率是 \(\prod_{i = 0}^{n-1} \frac{M-i}{M}\)（第 \(i\) 次进行哈希时，有 \(\frac{M-i}{M}\) 的概率不会发生碰撞）。在随机数据下，若 \(M=10^9 + 7\)，\(n=10^6\)，未出现碰撞的概率是极低的。

所以，进行字符串哈希时，经常会对两个大质数分别取模，这样的话哈希函数的值域就能扩大到两者之积，错误率就非常小了。

多次询问子串哈希

单次计算一个字符串的哈希值复杂度是 \(O(n)\)，其中 \(n\) 为串长，与暴力匹配没有区别，如果需要多次询问一个字符串的子串的哈希值，每次重新计算效率非常低下。

一般采取的方法是对整个字符串先预处理出每个前缀的哈希值，将哈希值看成一个 \(b\) 进制的数对 \(M\) 取模的结果，这样的话每次就能快速求出子串的哈希了：

令 \(f_i(s)\) 表示 \(f(s[1..i])\)，即原串长度为 \(i\) 的前缀的哈希值，那么按照定义有 \(f_i(s)=s[1]\cdot b^{i-1}+s[2]\cdot b^{i-2}+\dots+s[i-1]\cdot b+s[i]\)

现在，我们想要用类似前缀和的方式快速求出 \(f(s[l..r])\)，按照定义有字符串 \(s[l..r]\) 的哈希值为 \(f(s[l..r])=s[l]\cdot b^{r-l}+s[l+1]\cdot b^{r-l-1}+\dots+s[r-1]\cdot b+s[r]\)

对比观察上述两个式子，我们发现 \(f(s[l..r])=f_r(s)-f_{l-1}(s) \times b^{r-l+1}\) 成立（可以手动代入验证一下），因此我们用这个式子就可以快速得到子串的哈希值。其中 \(b^{r-l+1}\) 可以 \(O(n)\) 的预处理出来然后 \(O(1)\) 的回答每次询问（当然也可以快速幂 \(O(\log n)\) 的回答每次询问）。

Hash 的应用

字符串匹配

求出模式串的哈希值后，求出文本串每个长度为模式串长度的子串的哈希值，分别与模式串的哈希值比较即可。

允许 \(k\) 次失配的字符串匹配

问题：给定长为 \(n\) 的源串 \(s\)，以及长度为 \(m\) 的模式串 \(p\)，要求查找源串中有多少子串与模式串匹配。\(s'\) 与 \(s\) 匹配，当且仅当 \(s'\) 与 \(s\) 长度相同，且最多有 \(k\) 个位置字符不同。其中 \(1\leq n,m\leq 10^6\)，\(0\leq k\leq 5\)。

这道题无法使用 KMP 解决，但是可以通过哈希 + 二分来解决。

枚举所有可能匹配的子串，假设现在枚举的子串为 \(s'\)，通过哈希 + 二分可以快速找到 \(s'\) 与 \(p\) 第一个不同的位置。之后将 \(s'\) 与 \(p\) 在这个失配位置及之前的部分删除掉，继续查找下一个失配位置。这样的过程最多发生 \(k\) 次。

总的时间复杂度为 \(O(m+kn\log_2m)\)。

最长回文子串

二分答案，判断是否可行时枚举回文中心（对称轴），哈希判断两侧是否相等。需要分别预处理正着和倒着的哈希值。时间复杂度 \(O(n\log n)\)。

这个问题可以使用 manacher 算法 在 \(O(n)\) 的时间内解决。

通过哈希同样可以 \(O(n)\) 解决这个问题，具体方法就是记 \(R_i\) 表示以 \(i\) 作为结尾的最长回文的长度，那么答案就是 \(\max_{i=1}^nR_i\)。考虑到 \(R_i\leq R_{i-1}+2\)，因此我们只需要暴力从 \(R_{i-1}+2\) 开始递减，直到找到第一个回文即可。记变量 \(z\) 表示当前枚举的 \(R_i\)，初始时为 \(0\)，则 \(z\) 在每次 \(i\) 增大的时候都会增大 \(2\)，之后每次暴力循环都会减少 \(1\)，故暴力循环最多发生 \(2n\) 次，总的时间复杂度为 \(O(n)\)。

最长公共子字符串

问题：给定 \(m\) 个总长不超过 \(n\) 的非空字符串，查找所有字符串的最长公共子字符串，如果有多个，任意输出其中一个。其中 \(1\leq m, n\leq 10^6\)。

很显然如果存在长度为 \(k\) 的最长公共子字符串，那么 \(k-1\) 的公共子字符串也必定存在。因此我们可以二分最长公共子字符串的长度。假设现在的长度为 \(k\)，check(k) 的逻辑为我们将所有所有字符串的长度为 \(k\) 的子串分别进行哈希，将哈希值放入 \(n\) 个哈希表中存储。之后求交集即可。

时间复杂度为 \(O(n\log_2\frac{n}{m})\)。

确定字符串中不同子字符串的数量

问题：给定长为 \(n\) 的字符串，仅由小写英文字母组成，查找该字符串中不同子串的数量。

为了解决这个问题，我们遍历了所有长度为 \(l=1,\cdots ,n\) 的子串。对于每个长度为 \(l\)，我们将其 Hash 值乘以相同的 \(b\) 的幂次方，并存入一个数组中。数组中不同元素的数量等于字符串中长度不同的子串的数量，并此数字将添加到最终答案中。

为了方便起见，我们将使用 \(h [i]\) 作为 Hash 的前缀字符，并定义 \(h[0]=0\)。

参考代码
C++
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
int count_unique_substrings(string const& s) {
  int n = s.size();

  const int b = 31;
  const int m = 1e9 + 9;
  vector<long long> b_pow(n);
  b_pow[0] = 1;
  for (int i = 1; i < n; i++) b_pow[i] = (b_pow[i - 1] * b) % m;

  vector<long long> h(n + 1, 0);
  for (int i = 0; i < n; i++)
    h[i + 1] = (h[i] + (s[i] - 'a' + 1) * b_pow[i]) % m;

  int cnt = 0;
  for (int l = 1; l <= n; l++) {
    set<long long> hs;
    for (int i = 0; i <= n - l; i++) {
      long long cur_h = (h[i + l] + m - h[i]) % m;
      cur_h = (cur_h * b_pow[n - i - 1]) % m;
      hs.insert(cur_h);
    }
    cnt += hs.size();
  }
  return cnt;
}

例题

CF1200E Compress Words

给你若干个字符串，答案串初始为空。第 \(i\) 步将第 \(i\) 个字符串加到答案串的后面，但是尽量地去掉重复部分（即去掉一个最长的、是原答案串的后缀、也是第 \(i\) 个串的前缀的字符串），求最后得到的字符串。

字符串个数不超过 \(10^5\)，总长不超过 \(10^6\)。

题解

每次需要求最长的、是原答案串的后缀、也是第 \(i\) 个串的前缀的字符串。枚举这个串的长度，哈希比较即可。

当然，这道题也可以使用 KMP 算法 解决。

参考代码
C++
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
#include <bits/stdc++.h>
using namespace std;

const int L = 1e6 + 5;
const int HASH_CNT = 2;

int hashBase[HASH_CNT] = {29, 31};
int hashMod[HASH_CNT] = {int(1e9 + 9), 998244353};

struct StringWithHash {
  char s[L];
  int ls;
  int hsh[HASH_CNT][L];
  int pwMod[HASH_CNT][L];

  void init() {  // 初始化
    ls = 0;
    for (int i = 0; i < HASH_CNT; ++i) {
      hsh[i][0] = 0;
      pwMod[i][0] = 1;
    }
  }

  StringWithHash() { init(); }

  void extend(char c) {
    s[++ls] = c;                          // 记录字符数和每一个字符
    for (int i = 0; i < HASH_CNT; ++i) {  // 双哈希的预处理
      pwMod[i][ls] =
          1ll * pwMod[i][ls - 1] * hashBase[i] % hashMod[i];  // 得到b^ls
      hsh[i][ls] = (1ll * hsh[i][ls - 1] * hashBase[i] + c) % hashMod[i];
    }
  }

  vector<int> getHash(int l, int r) {  // 得到哈希值
    vector<int> res(HASH_CNT, 0);
    for (int i = 0; i < HASH_CNT; ++i) {
      int t =
          (hsh[i][r] - 1ll * hsh[i][l - 1] * pwMod[i][r - l + 1]) % hashMod[i];
      t = (t + hashMod[i]) % hashMod[i];
      res[i] = t;
    }
    return res;
  }
};

bool equal(const vector<int> &h1, const vector<int> &h2) {
  assert(h1.size() == h2.size());
  for (unsigned i = 0; i < h1.size(); i++)
    if (h1[i] != h2[i]) return false;
  return true;
}

int n;
StringWithHash s, t;
char str[L];

void work() {
  int len = strlen(str);  // 取字符串长度
  t.init();
  for (int j = 0; j < len; ++j) t.extend(str[j]);
  int d = 0;
  for (int j = min(len, s.ls); j >= 1; --j) {
    if (equal(t.getHash(1, j), s.getHash(s.ls - j + 1, s.ls))) {  // 比较哈希值
      d = j;
      break;
    }
  }
  for (int j = d; j < len; ++j) s.extend(str[j]);  // 更新答案数组
}

int main() {
  scanf("%d", &n);
  for (int i = 1; i <= n; ++i) {
    scanf("%s", str);
    work();
  }
  printf("%s\n", s.s + 1);
  return 0;
}

本页面部分内容译自博文 строковый хеш 与其英文翻译版 String Hashing。其中俄文版版权协议为 Public Domain + Leave a Link；英文版版权协议为 CC-BY-SA 4.0。

本页面的全部内容在 小熊老师 - 莆田青少年编程俱乐部 0594codes.cn 协议之条款下提供，附加条款亦可能应用