如何找到多个字符串的最长公共子串？

Question

我正在编写一个python脚本，其中有多个字符串。在

例如：

x = "brownasdfoersjumps"
y = "foxsxzxasis12sa[[#brown"
z = "thissasbrownxc-34a@s;"

在这三个字符串中，它们有一个共同的子字符串brown。我想用创建字典的方式搜索它：

^{pr2}$

最好的办法是什么？考虑到我每次都会有200多个字符串，有什么简单有效的方法？在

Answer 1

这是一个相对优化的天真算法。您首先将每个序列转换为其所有ngram的集合。然后求所有集合的交集，并在交集中找到最长的ngram。在

from functools import partial, reduce
from itertools import chain
from typing import Iterator


def ngram(seq: str, n: int) -> Iterator[str]:
    return (seq[i: i+n] for i in range(0, len(seq)-n+1))


def allngram(seq: str) -> set:
    lengths = range(len(seq))
    ngrams = map(partial(ngram, seq), lengths)
    return set(chain.from_iterable(ngrams))


sequences = ["brownasdfoersjumps",
             "foxsxzxasis12sa[[#brown",
             "thissasbrownxc-34a@s;"]

seqs_ngrams = map(allngram, sequences)
intersection = reduce(set.intersection, seqs_ngrams)
longest = max(intersection, key=len) # -> brown

虽然这可能会让你通过短序列，但这种算法在长序列上效率极低。如果你的序列很长，你可以添加一个启发式来限制最大可能的ngram长度（即最长的公共子串）。对于这种启发式方法，一个明显的值可能是最短序列的长度。在

^{pr2}$

这可能仍然需要太长时间（或使您的机器内存不足），所以您可能需要阅读一些最佳算法（请参阅我在评论中留下的对您的问题的链接）。在

更新

计算每个ngram出现的字符串数

from collections import Counter
sequences = ["brownasdfoersjumps",
             "foxsxzxasis12sa[[#brown",
             "thissasbrownxc-34a@s;"]

seqs_ngrams = map(allngram, sequences)
counts = Counter(chain.from_iterable(seqs_ngrams))

Counter是dict的子类，因此其实例具有类似的接口：

print(counts)
Counter({'#': 1,
         '#b': 1,
         '#br': 1,
         '#bro': 1,
         '#brow': 1,
         '#brown': 1,
         '-': 1,
         '-3': 1,
         '-34': 1,
         '-34a': 1,
         '-34a@': 1,
         '-34a@s': 1,
         '-34a@s;': 1,
         ...

您可以过滤计数，使子字符串至少出现在n字符串中：{string: count for string, count in counts.items() if count >= n}