次の方法で共有


Algorithm of finding the duplicated sub-strings in two strings

One tough issue, especially require the better performance and memory usage.

However, I done it :)

1. It builds a table strlen(s1)*strlen(s2)
2. Compare the s1 and s2 and fill the equaled bit in the table
3. Find out the longest connected lines in that table
4. Re-build the string with the line's offset

Not sure if it is the best algorithm to do that :)

However it only spend 47ms to compare and find out the duplicate string ("pro") of "programming" and "professional" in 10000 times.

"abbazyabcyzabcegz" and ""xabcyzabcdegabbazyabh" for 10,000 times
Milliseconds: 109 

Cool? 

//////

StrNode* GetDupStr(__notnull LPCWSTR lpszP1, __notnull LPCWSTR lpszP2)
{
    // 0. valid parameters, if SAL does not work
    if (lpszP1==NULL || lpszP2==NULL || wcslen(lpszP1)==0 || wcslen(lpszP2)==0)
        return NULL;
    //
    // 1. build the table
    //
    // calculate the size
    int nLen1 = (int)wcslen(lpszP1);
    int nLen2 = (int)wcslen(lpszP2);
    int nMapLen = sizeof(bool)*nLen1*nLen2;
    // allocate the memory @allocate abMap
    bool* abMap;
    abMap = (bool*)malloc(nMapLen);
    //ZeroMemory
    memset(abMap, 0x0, nMapLen);

    //
    // 2. compare and fill the table
    //
    for(int i=0; i<nLen1; i++)
    //rows
    {
        WCHAR cRow = lpszP1[i];
        //check if there is duplicated char in previous chars, if so, memcpy directly
        for(int k=0; k<i; k++)
        {
            if (lpszP1[k]==cRow)
            {
                memcpy(&abMap[i*nLen2], &abMap[k*nLen2], nLen2);
                DEBUG("Dup: %c\n", cRow);
            }
        }
        //loop cols
        for(int j=0; j<nLen2; j++)
        //cols
        {
            //check equality
            if (cRow==lpszP2[j])
            {
                //MarkEqual(abMap, CalPos(nLen2, i, j));
                MarkBit(abMap, CalcBitPos(nLen2, i, j));
            }
        }
    }

    //
    // 3. print out the table
    //
#ifdef _DUPSTR_DEBUG_
    PrintTable(abMap, lpszP1, lpszP2);
    DEBUG("\n", NULL);
#endif

    //
    // 4. search table, find out the connected points
    //
    // get minimun strlen of two strings
    int nMinLen = nLen1 < nLen2 ? nLen1 : nLen2;
    // build maxNode var @allocate pMaxNode
    BNode *pMaxNode = NULL;
    //
    // loop the cols and rows from longest to shortest, and compare the maxlength with current nLen
    // jump out if maxLen > nLen
    //
    //loop for cols
    for(int i=0; i<nLen2; i++)
    {
        //current len
        int nLen = nMinLen < nLen2-i ? nMinLen : nLen2-i;
        if ( pMaxNode==NULL || pMaxNode->len<nLen)
        {
            //get pNodes
            BNode *pNode = CheckPoints(&abMap[CalcBitPos(nLen2, 0, i)], nLen, nLen2+1);
            //rebuild
            RebuildMaxNodes(&pMaxNode, &pNode);
        }
    }
    //then loop for rows
    for(int i=1; i<nLen1; i++)
    {
        int nLen = nMinLen < nLen1-i ? nMinLen : nLen1-i;
        if ( pMaxNode==NULL || pMaxNode->len<nLen)
        {
            BNode *pNode = CheckPoints(&abMap[CalcBitPos(nLen2, i, 0)], nLen, nLen2+1);
            /* @refactor RebuildMaxNodes
            if (pNode!=NULL)
            {
                if (pMaxNode==NULL)
                {
                    DEBUG("leave null\n", NULL);
                    pMaxNode = pNode;
                }
                else if (pMaxNode->len < pNode->len)
                {
                    DEBUG("got new length: %d\n", pNode->len);
                    //free previous pMaxNode
                    ReleaseNode(pMaxNode);
                    pMaxNode = pNode;
                }
                else if (pMaxNode->len == pNode->len)
                {
                    DEBUG("get duplicated\n", NULL);
                    pMaxNode->next = pNode;
                }
                else
                {
                    ReleaseNode(pNode);
                }
            }
            */
            RebuildMaxNodes(&pMaxNode, &pNode);
        }
    }

    //
    // 5. print out pMaxNodes
    //
    StrNode* pstrNode = NULL;
    //
    BNode* pn = pMaxNode;
    //foreach pMaxNode
    while(pn!=NULL)
    {
        //calculate the string offset
        int nStrOffset = (int)((pn->pbStart - abMap) % nLen2);
        //allocate new string @allocate lpszOutput
        LPWSTR lpszOutput = new WCHAR[pn->len+1];
        memset(lpszOutput, 0x0, (pn->len+1)*sizeof(WCHAR));
        memcpy(lpszOutput, lpszP2+nStrOffset, pn->len * sizeof(WCHAR));

        DEBUG("%x => ", pn->pbStart);
        DEBUG("%d => ", pn->len);
        DEBUG("%s\n", lpszOutput);
        //DEBUG("%x => %d => %s\n", pn->pbStart, pn->len, lpszOutput);

        //attach string to return structure
        if (pstrNode==NULL)
        {
            //build the node
            pstrNode = BuildStrNode(lpszP2+nStrOffset, pn->len, lpszOutput);
            HEAPLEAK(pstrNode->magic, 0xCACF0169);
        }
        else
        {
            //build the node
            /* @refactor BuildStrNode
            StrNode* psn = new StrNode;
            memset(psn, 0x0, sizeof(StrNode));
            psn->lpSrc = lpszP2+nStrOffset;
            psn->len = pn->len;
            psn->str = lpszOutput;
            psn->next = NULL;
            pstrNode->next = psn;
            */
            StrNode* psn = pstrNode;
            while(psn->next!=NULL)
            {
                psn = psn->next;
            }
            psn->next = BuildStrNode(lpszP2+nStrOffset, pn->len, lpszOutput);
            HEAPLEAK(psn->next->magic, 0xCACF0189);
        }

        pn = pn->next;
    }
    //@release pMaxNode
    ReleaseBNode(pMaxNode);
    //@release abMap
    delete abMap;

    return pstrNode;
}

Attached full code files.
 

MaxDuplicatedString.7z