程序员老鬼

网友吐槽:除了boss,其他招聘APP都凉了?

最近,我在网上溜达的时候,看到一个话题让我心里一紧——现在除了Boss直聘,其他招聘APP是不是都开始“凉凉”了?这个话题有点直接啊,相信大家都知道这代表什么意思。

Image

我不点开评论都知道评论区有多精彩。这不,有网友立马跳出来辟谣:“你们说错了,Boss直聘也凉了好吗?”这语气有点搞笑,但其实很沉重。

Image

但也有表示赞同,“对的,只有boss直聘有活人,其它软件你过1个月以上都还是未读”想来,Boss直聘似乎还是不错的。

Image

也有人开始发表其他说法:“看了一圈58几乎没人提及 它才是最凉的”

Image

“我觉得智联回复率还大些”

Image

“投了两周了,我的感觉是”

Image

也许,这背后反映的就现在招聘市场的真实情况。但无论如何,对于我们来说,能找到一份满意的工作始终是目标。我们能做的就是提升自己,他强任他强,清风拂山岗。

下面是今日的大厂算法题
今日算法题,来自LeetCode的第30题:串联所有单词的子串,下面是我的算法思路及实现,让我们来看看吧。
算法题目
给定一个字符串s和一些长度相同的单词words。找出s中恰好可以由words中所有单词串联形成的子串的起始位置。你可以假设words中的所有单词长度都相同。
算法思路
  1. 哈希映射统计:首先使用哈希映射(HashMap)统计words数组中每个单词出现的次数。

  2. 滑动窗口:由于所有单词的长度相同,我们可以使用滑动窗口的方式,以单词的长度为步长在原字符串s上滑动,检查每个可能的窗口。

  3. 匹配验证:对于每个窗口,使用另一个哈希映射统计窗口中每个单词的出现次数,然后与words的哈希映射进行比较,看是否完全匹配。

  4. 记录起始位置:如果一个窗口完全匹配,记录该窗口的起始位置。

  5. 优化:为了减少不必要的检查,我们只需要在0到wordLength-1的范围内开始滑动窗口,其中wordLength是数组words中单词的长度。

代码实现
Java实现
import java.util.ArrayList;import java.util.HashMap;import java.util.List;import java.util.Map;
public class Solution { public List<Integer> findSubstring(String s, String[] words) { int wordLength = words[0].length(); int allWordsLength = words.length * wordLength; Map<String, Integer> wordMap = new HashMap<>(); List<Integer> result = new ArrayList<>();
for (String word : words) { wordMap.put(word, wordMap.getOrDefault(word, 0) + 1); }
for (int i = 0; i < wordLength; i++) { for (int j = i; j <= s.length() - allWordsLength; j += wordLength) { Map<String, Integer> seen = new HashMap<>(); int k = 0; while (k < words.length) { String word = s.substring(j + k * wordLength, j + (k + 1) * wordLength); if (wordMap.containsKey(word)) { seen.put(word, seen.getOrDefault(word, 0) + 1); if (seen.get(word) > wordMap.get(word)) break; } else { break; } k++; } if (k == words.length) result.add(j); } }
return result; }}
JavaScript实现
function findSubstring(s, words) {    const wordLength = words[0].length;    const allWordsLength = words.length * wordLength;    const wordMap = new Map();    const result = [];
words.forEach(word => { wordMap.set(word, (wordMap.get(word) || 0) + 1); });
for (let i = 0; i < wordLength; i++) { for (let j = i; j <= s.length - allWordsLength; j += wordLength) { const seen = new Map(); let k = 0; while (k < words.length) { const word = s.substr(j + k * wordLength, wordLength); if (wordMap.has(word)) { seen.set(word, (seen.get(word) || 0) + 1); if (seen.get(word) > wordMap.get(word)) break; } else { break; } k++; } if (k === words.length) result.push(j); } }
return result;}
Go实现
package main
import "fmt"
func findSubstring(s string, words []string) []int { wordLength := len(words[0]) allWordsLength := len(words) * wordLength wordMap := make(map[string]int) var result []int
for _, word := range words { wordMap[word]++ }
for i := 0; i < wordLength; i++ { for j := i; j <= len(s)-allWordsLength; j += wordLength { seen := make(map[string]int) var k int for k = 0; k < len(words); k++ { word := s[j+k*wordLength : j+(k+1)*wordLength] if count, exists := wordMap[word]; exists { seen[word]++ if seen[word] > count { break } } else { break } } if k == len(words) { result = append(result, j) } } }
return result}
算法解析
这个算法的关键在于如何有效地利用哈希映射来减少不必要的比较。通过维护一个滑动窗口,并在每次迭代中更新这个窗口内单词的出现次数,我们可以有效地判断当前窗口是否满足条件。
此外,通过分步骤处理,即先统计words数组中单词的出现次数,然后通过滑动窗口检查每个子串,这种方法既清晰又易于实现。
示例和测试

以s = "barfoothefoobarman", words = ["foo","bar"]为例,我们的函数应该返回[0,9]。这是因为在s中,从索引0开始的子串"barfoo"和从索引9开始的子串"foobar"恰好由words中的所有单词串联形成。

总结
这道题目展示了在字符串处理和算法设计中哈希映射的强大应用。通过巧妙地利用哈希映射来追踪和比较子串中单词的出现次数,我们能够有效地解决复杂的字符串匹配问题。
Image

扫描下方二维码,购买《ChatGPT实战课程》,送ChatGPT独享账号!

Image

课程包含超多ChatGPT前沿玩法,帮助大家熟练掌握ChatGPT!

推荐阅读:
Image