今天和同事在讨论关键字过虑的算法实现，前几天刚看过布隆过滤算法，于是就想起我们公司内部的查找关键字程序，好奇是怎么实现的。于是查找了一下源代码，原来可以简单地用stripos函数查找，
stripos原型如下：
int stripos ( string $haystack, string $needle [, int $offset] )
一般地都会建一个关键词库，然后把用户输入的内容作为haystack，然后循环遍历一下关键词库，把每个关键词作为needle，如果存在的话则会返回关键字在输入的内容中的位置。
于是查找了一下PHP源代码关于这个函数的实现，如果想知道一个函数在PHP的哪个模块的话可以简单写一个函数get_module.php
| <?php
if(substr(php_sapi_name(),0,6)=='cli'){
//命令行模式
global $argv;
$function = $argv[1];
}else{
//网页方式
$function = $_GET['name'];
}
$extensions = get_loaded_extensions();
foreach($extensions as $t){
$modules_funcs = get_extension_funcs($t);
if(in_array($function, (array)$modules_funcs)){
$is_found = true;
echo "$function is in $t module\n";
}
}
if(!$is_found)echo "$function not found";
?> |
字符串系列的函数属于PHP的标准模块，在ext/standard目录下，string.c文件。
PHP_FUNCTION(stripos)
{
char *found = NULL;
char *haystack;
int haystack_len;
long offset = 0;
char *needle_dup = NULL, *haystack_dup;
char needle_char[2];
zval *needle;
if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "sz|l", &haystack, &haystack_len, &needle, &offset) == FAILURE) {
return;
}
检查参数，第一第二个是必选参数，第三个是可选，|表示后面的参数都是可选的。
if (offset < 0 || offset > haystack_len) {
php_error_docref(NULL TSRMLS_CC, E_WARNING, "Offset not contained in string");
RETURN_FALSE;
}
if (haystack_len == 0) {
RETURN_FALSE;
}
haystack_dup = estrndup(haystack, haystack_len);
//与大小写无关,所以先把字符全部转换成小写
php_strtolower(haystack_dup, haystack_len);
if (Z_TYPE_P(needle) == IS_STRING) {
//第二个参数如果是字符串
if (Z_STRLEN_P(needle) == 0 || Z_STRLEN_P(needle) > haystack_len) {
efree(haystack_dup);
RETURN_FALSE;
}
needle_dup = estrndup(Z_STRVAL_P(needle), Z_STRLEN_P(needle));
php_strtolower(needle_dup, Z_STRLEN_P(needle));
//这个是关键,由php_memnstr实现
found = php_memnstr(haystack_dup + offset, needle_dup, Z_STRLEN_P(needle), haystack_dup + haystack_len);
} else {
//第二个参数是数字的话,则强制转换成(char)类型
switch (Z_TYPE_P(needle)) {
case IS_LONG:
case IS_BOOL:
needle_char[0] = tolower((char) Z_LVAL_P(needle));
break;
case IS_DOUBLE:
needle_char[0] = tolower((char) Z_DVAL_P(needle));
break;
default:
php_error_docref(NULL TSRMLS_CC, E_WARNING, "needle is not a string or an integer");
efree(haystack_dup);
RETURN_FALSE;
break;
}
needle_char[1] = '\0';
found = php_memnstr(haystack_dup + offset,
needle_char,
sizeof(needle_char) - 1,
haystack_dup + haystack_len);
}
efree(haystack_dup);
if (needle_dup) {
efree(needle_dup);
}
if (found) {
//如何找到,则返回在这个字符串中的位置
RETURN_LONG(found - haystack_dup);
} else {
RETURN_FALSE;
}
} |
查找函数是由php_memstr实现的,在main目录下的php.h文件
#define php_memnstr zend_memnstr
所以真正的函数是zend_memnstr,在zend/目录下面的zend_operators.h，
static inline char *
zend_memnstr(char *haystack, char *needle, int needle_len, char *end)
{
char *p = haystack;
char ne = needle[needle_len-1];
end -= needle_len;
while (p <= end) {
if ((p = (char *)memchr(p, *needle, (end-p+1))) && ne == p[needle_len-1]) {
if (!memcmp(needle, p, needle_len-1)) {
return p;
}
}
if (p == NULL) {
return NULL;
}
p++;
}
return NULL;
} |
查到这里就能看到实现搜索的原理了，主要用了一个while循环和两个C的函数memchr和memcmp。
先用第一个函数查找needle的第一个字符在haystack中出现的位置，然后调用memcmp，从这个位置开始比较needle和haystack，如果相同就返回这个位置，没有的话再把指针指向haystack的下一位再进行比较，一直到最后。
不过这个搜索只是简单地调用了memchr和memcmp函数，至于memcmp用了什么算法比较两个字符串就不太清楚，我们知道在一个长度为n的字符串里面查找字符串为m的字符串，那么最坏的时间复杂度是O(n*m)，上网搜了一下memcmp，不过没有找到他的实现原理。后来想了一下发现这个其实就是最简单的两次循环遍历进行比较。看了一下PHP的其他几个字符串查找函数strstr,stristr,strpos,strrpos,strripos 等函数都是调用zend_memnstr这个函数实现的，只是在返回的时候内容不同而已。