LeetCode30 Hard 查找所有子串

Posted 2021-03-07 TechFlow2019

本文始发于个人公众号：TechFlow，原创不易，求个关注

链接

Substring with Concatenation of All Words

难度

Hard

描述

给定一个字符串s作为母串，和一系列长度相等的字符串words，要求返回s当中所有的位置，使得从该位置开始可以找到所有的words，并且所有的words只出现一次

You are given a string, s , and a list of words, words , that are all
of the same length. Find all starting indices of substring(s) in s that is
a concatenation of each word in words exactly once and without any
intervening characters.

样例 1:

**Input:
  s =**  "barfoothefoobarman",
**words =** ["foo","bar"]
Output: [0,9]
## Explanation: Substrings starting at index 0 and 9 are  "barfoor" and "foobar" respectively.
The output order does not matter, returning [9,0] is fine too.

样例 2:

**Input:
  s =**  "wordgoodgoodgoodbestword",
**words =** ["word","good","best","word"]
Output: []

题解

这道题的难度是Hard，老实讲的确不简单，尤其是如果在面试当中被问到，恐怕很难一下想出最佳答案。

暴力

还是老规矩，我们退而求其次，忘了最佳答案这茬，先想出简单的方法再来思考怎么优化。最简单的方法当然是暴力，我们首先遍历所有的起始位置，然后后面一个单词一个单词的匹配。如果成功匹配就记录答案，失败的话则继续搜索下一个位置。

这么做看起来没有问题，但是一些细节需要注意。比如题目当中只说单词的长度一样，并没有说单词会不会重复。显然我们应该考虑单词出现重复的情况，既然要考虑单词出现重复，那么就不能用一个set来记录单词是否出现过，而是需要统计每个单词出现的个数。其次，我们在遍历的时候，也一样，也需要统计当前匹配到的单词的数量。

这道题暴力的思路还是比较清晰的，代码也不难写：

class Solution:
    def findSubstring(self, s: str, words: List[str]) -> List[int]:
        n = len(s)
        # 单词不存在直接返回
        if len(words) == 0:
            return []
        
        ret = []
        word_cnt = len(words)
        m = len(words[0])
        words_dict = {}
        # 初始化，记录词表
        for word in words:
            words_dict[word] = words_dict.get(word, 0) + 1
        
        # 枚举开始的位置
        for i in range(n):
            cur_dict = {}
            matched = 0
            # 每次遍历一个单词
            for start in range(i, n, m):
                w = s[start: start+m]
                # 如果单词存在，并且当前匹配的数量小于目标，则进行记录
                if w in words_dict and cur_dict.get(w, 0) < words_dict[w]:
                    cur_dict[w] = cur_dict.get(w, 0) + 1
                    matched += 1
                else:
                    break
                # 所有单词已经匹配
                if matched == word_cnt:
                    ret.append(i)
                    break
        return ret

我们来分析一下这个算法的复杂度，我们在搜索的时候用到了两层循环。外层的循环遍历了所有的长度，内层的循环则是一个单词一个单词地枚举，在极端情况下依旧可以遍历完整个字符串，复杂度是(frac{n}{m})。但是由于m是常数，并且极端情况下等于1，所以整个算法的最坏的时间复杂度依然是(O(n^2))。

这题官方卡的不严，即使是暴力的方法也可以通过。如果是在正规的算法竞赛当中，一定会卡时间，暴力的方法肯定是无法通过的。所以我们必须要进行优化。

Two pointers

在阐述优化方案之前，我们先来做一个仔细的分析。在这题当中，由于我们需要找到所有满足条件的答案，那么显然我们需要把所有可能的情况都遍历完。也就是说遍历是免不了的，在这题当中我们肯定不可能自己生成出答案，一定需要遍历。说白了，遍历所有情况的思路是对的，我们要做的并不是寻找新的方法，而是对它进行优化。

明白了前进的方向，就可以继续往下思考第二个问题了。究竟在暴力方法当中是哪里有问题，导致了大量消耗时间，哪里可以进行优化呢？

理一下思路不难想明白，会出现重复的情况只有两种。下面我们来列举一下，为了方便观看和理解， 我用[]表示一个单词，通过[]内的不同数字，表示不同的单词。

1. ...[1][2][3]....[1][2][3]....，这种情况最容易想到。在一个正确答案后面一段距离之后还有另一个正确答案，由于我们每次找到正确答案就退出了，所以又需要遍历很多次才可以找到下一个答案。
2. ....[1][2][1][2][3]....，这种情况当中，我们在找到了前面第一个错误的[1][2]之后，由于发现不对，所以退出了循环。接下来我们要遍历2m次（单词长度为m），才可以找到[1][2][3]这个答案。要是当时我们可以将错就错继续往下搜索，就可以直接找到答案了。

把上面两点综合一下，优化的方案其实已经很清楚了。就是不管是我们找到了答案还是没找到答案，遇到了问题，我们都不应该退出，我们应该继续搜索其他潜在的答案。

优化1

所以我们就得到了第一个优化，既然我们每次不论成功与否都会遍历结束，而且我们每一次遍历的时候，都会获取m长度的字符串和词库进行比较。那么我们在遍历起始位置的时候，就不用遍历n的长度了，而只需要遍历m个长度。

举个例子，比如说s=‘abcgoodgoodgirl‘，词库是[‘good‘, ‘girl‘]。

我们第一次遍历a，可以获得这些单词：abcg, oodg, oodg, irl

第二次遍历遍历b，得到的单词是：a, bcgo, odgo, odgi, rl

第三次遍历c，单词是： ab, cgoo, dgoo, dgir, l

最后是遍历g，单词是： abc, good, good, girl

这样我们只需要遍历4次，就可以获取所有的单词组合。也就是说我们先获取所有的单词组合之后，再从这些组合当中寻找答案。所以我们将最外层的循环次数从n降到了m。

优化2

依然参考上面的例子，我们可以发现在上面4次遍历当中，只有最后一次能找到答案。我们单独来看这次的遍历内容：abc, good, good, girl。由于词库是[‘good‘, ‘girl‘]，我们在遍历这个单词组合的时候，会遇到两个good，这和我们的逾期不符。按照正常的思路来看，我们应该跳过，然后将记录的答案清空，从下一个单词处开始遍历。

这当然是可以的，但是实际上，这个问题有更好的解法。如果对two pointers算法熟悉的同学，会发现这是一个经典的two pointers算法的应用场景。我们要找的是一个若干个连续的单词组成的区间，那么我们可以用两个指针维护这个区间。当我们右侧读入一个额外的单词导致数量超界的时候，应该怎么办？很简单，我们可以移动左侧边界，弹出掉一些单词，直到数量满足要求。

如果有对two pointers算法不了解的同学可以点击下面的链接回顾一下之前的内容：

一文学会two pointers算法

我们把上面的思路整理一下，就可以写出代码了：

class Solution:
    def findSubstring(self, s: str, words: List[str]) -> List[int]:
        n = len(s)
        if len(words) == 0:
            return []
        
        # 初始化的部分和之前一样
        ret = []
        word_cnt = len(words)
        m = len(words[0])
        words_dict = {}
        for word in words:
            words_dict[word] = words_dict.get(word, 0) + 1
        
        # 只遍历[0, m)
        for i in range(m):
            cur_dict = {}
            # l和r表示当前的区间两侧端点
            l = i
            matched = 0
            for r in range(i, n, m):
                # 获取当前的单词
                word = s[r: r+m]
                # 如果单词不在词库当中，清空之前的数据
                if word not in words_dict:
                    # l赋值成下一个开始的r
                    l = r + m
                    # 所有匹配记录清空
                    matched = 0
                    cur_dict = {}
                    continue
                # 记录单词
                cur_dict[word] = cur_dict.get(word, 0) + 1
                matched += 1
                # 如果数量超界的话，就弹出左侧
                while cur_dict[word] > words_dict[word]:
                    w = s[l: l+m]
                    cur_dict[w] -= 1
                    matched -= 1
                    l += m
                # 如果匹配数量一致，则记录答案，也就是l的位置
                if matched == word_cnt:
                    ret.append(l)
        return ret

代码不长，但是里面的细节还是不少的，关于边界的处理以及一些运算的逻辑，真正想要一口气写正确还是很有挑战的。感兴趣的同学可以试试看，在不参考我代码的情况下，能不能一次写通过。

这道题给我最大的感受是从表面上看，它似乎是一道字符串匹配的问题。会引导我们往各种字符串匹配的算法上去思考，但其实它是一个遍历优化的问题。这道题在LeetCode当中评分不高，很多人给了差评，也许就是因为许多人被出题人骗了吧。但是我觉得它很有意思，也很锻炼人，不是那种无脑折磨人的题。毕竟在算法竞赛当中出题人”欺骗“选手是常有的事，这也是算法的魅力之一。

今天的文章就是这些，如果觉得有所收获，请顺手扫码点个关注吧，你们的举手之劳对我来说很重要。