今天和同事在討論關鍵字過慮的算法實現，前幾天剛看過布隆過濾算法，於是就想起我們公司內部的查找關鍵字程序，好奇是怎麼實現的。於是查找了一下源代碼，原來可以簡單地用stripos函數查找，
stripos原型如下：
int stripos ( string $haystack, string $needle [, int $offset] )
一般地都會建一個關鍵詞庫，然後把用戶輸入的內容作為haystack，然後循環遍歷一下關鍵詞庫，把每個關鍵詞作為needle，如果存在的話則會返回關鍵字在輸入的內容中的位置。
於是查找了一下PHP源代碼關於這個函數的實現，如果想知道一個函數在PHP的哪個模塊的話可以簡單寫一個函數get_module.php
<?php
if(substr(php_sapi_name(),0,6)=='cli'){
//命令行模式
global $argv;
$function = $argv[1];
}else{
//網頁方式
$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";
?>
字符串系列的函數屬於PHP的標准模塊，在ext/standard目錄下，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;
}
檢查參數，第一第二個是必選參數，第三個是可選，|表示後面的參數都是可選的。
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);
//與大小寫無關,所以先把字符全部轉換成小寫
php_strtolower(haystack_dup, haystack_len);
if (Z_TYPE_P(needle) == IS_STRING) {
//第二個參數如果是字符串
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));
//這個是關鍵,由php_memnstr實現
found = php_memnstr(haystack_dup + offset, needle_dup, Z_STRLEN_P(needle), haystack_dup + haystack_len);
} else {
//第二個參數是數字的話,則強制轉換成(char)類型
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,則返回在這個字符串中的位置
RETURN_LONG(found - haystack_dup);
} else {
RETURN_FALSE;
}
}
查找函數是由php_memstr實現的,在main目錄下的php.h文件
#define php_memnstr zend_memnstr
所以真正的函數是zend_memnstr,在zend/目錄下面的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;
}
查到這裡就能看到實現搜索的原理了，主要用了一個while循環和兩個C的函數memchr和memcmp。
先用第一個函數查找needle的第一個字符在haystack中出現的位置，然後調用memcmp，從這個位置開始比較needle和haystack，如果相同就返回這個位置，沒有的話再把指針指向haystack的下一位再進行比較，一直到最後。
不過這個搜索只是簡單地調用了memchr和memcmp函數，至於memcmp用了什麼算法比較兩個字符串就不太清楚，我們知道在一個長度為n的字符串裡面查找字符串為m的字符串，那麼最壞的時間復雜度是O(n*m)，上網搜了一下memcmp，不過沒有找到他的實現原理。後來想了一下發現這個其實就是最簡單的兩次循環遍歷進行比較。看了一下PHP的其他幾個字符串查找函數strstr,stristr,strpos,strrpos,strripos 等函數都是調用zend_memnstr這個函數實現的，只是在返回的時候內容不同而已。
