我工资10000，面试下家说能涨到15000，我去跟领导说，他给我涨到16000。结果几天后，下家HR找我说20000立刻就签
老鬼约 4 分钟作为一名程序员，我看到了这个帖子，心里不禁感慨。
很多人可能会觉得这就是一个简单的薪资谈判过程，但从程序员的角度来看，这里面隐藏的背后是更深层次的职业规划和市场竞争。
首先，薪资涨幅背后其实是对自己能力的认可。当你能通过面试得到更高的薪资，说明你在技术和经验上有一定的积累。
而且在IT行业，尤其是程序员这一职业，薪资涨幅的差异也反映了公司对技术能力的重视程度。像这个例子，领导的加薪只是表面上的回应，更大的可能是公司对你个人价值的再评估。
每一份工作都是一次成长的机会，我们应该更多关注职业发展的方向，而不是短期的薪资数字。
长期来看，积累经验、提升技术水平，才能真正带来更可持续的职业发展和薪资增长。
如果你也面临类似的选择，不妨好好思考一下自己的职业路径，选择一个不仅能给你提供薪水的公司，更能帮助你成长的团队。【备注:文末可领最新资料】。
算法题：找出最长的超赞子字符串
最近我在做一些算法题的时候，遇到一个挺有意思的问题：找出一个字符串中最长的超赞子字符串。说白了，就是给你一个字符串，你得找到一个字母重复次数不超过两个的子字符串。听起来好像很简单，但要在性能和效率上做到优雅，那就有点挑战性了。
我们先从题目给的要求开始分析：假设字符串是“abcdeabbcd”，其中我们需要找到最长的连续子字符串，且该子字符串中的字符最多重复两次。比如，对于这个字符串，“abcaabb”就符合这个要求，因为它最长且只有‘a’和‘b’重复。好，那我们该如何来做呢？
要解决这个问题，我们需要考虑两点：一个是效率，另一个是如何判断一个子字符串是否符合“超赞”的条件。
滑动窗口算法
这个问题最经典的解法就是滑动窗口（Sliding Window）算法，简直是解决字符串相关问题的神器。我们可以通过两个指针，维护一个“窗口”来遍历字符串，然后逐步调整窗口的大小，确保窗口内的字符重复次数不超过两个。具体实现可以是：
import java.util.HashMap;public class Solution {
public String longestNiceSubstring(String s) {
int left = 0, right = 0;
int maxLength = 0;
String maxSubstr = "";
HashMap<Character, Integer> charCount = new HashMap<>();
while (right < s.length()) {
// 加入新字符，增加其出现次数
charCount.put(s.charAt(right), charCount.getOrDefault(s.charAt(right), 0) + 1);
// 检查窗口内的字符是否超出了限制
while (charCount.get(s.charAt(right)) > 2) {
// 如果超出，移动左指针，缩小窗口
charCount.put(s.charAt(left), charCount.get(s.charAt(left)) - 1);
left++;
}
// 计算窗口长度并更新最大值
if (right - left + 1 > maxLength) {
maxLength = right - left + 1;
maxSubstr = s.substring(left, right + 1);
}
// 扩大右指针，继续扩展窗口
right++;
}
return maxSubstr;
}
public static void main(String[] args) {
Solution sol = new Solution();
System.out.println(sol.longestNiceSubstring("abcdeabbcd")); // 输出: "abcaabb"
}
}
代码分析
滑动窗口：我们用两个指针
left和right来维护一个窗口，left用来表示当前窗口的左边界，right表示窗口的右边界。每次扩展右边界时，我们就将窗口内的字符存入HashMap中，记录每个字符的出现次数。缩小窗口：当窗口内某个字符的出现次数超过 2 时，我们就需要移动
left指针来缩小窗口，直到窗口内所有字符的出现次数都不超过 2。更新最大子串：每次右指针移动时，我们都会计算当前窗口的长度，如果这个长度比之前的最大子串还大，就更新最大子串。
为啥用 HashMap？
用 HashMap 来存储字符的计数是为了高效地查找每个字符出现的次数。可以想象，如果不使用 HashMap，你可能需要用嵌套的 for 循环来重新计算每次窗口的字符频率，时间复杂度就会变得很高。而 HashMap 能让你在常数时间内得到某个字符的计数。
算法复杂度分析
时间复杂度：O(n)，其中
n是字符串的长度。因为我们只需要遍历字符串一次，每个字符最多被处理两次（一次在right指针上，另一次在left指针上）。因此时间复杂度是 O(n)。空间复杂度：O(k)，其中
k是窗口内不重复的字符数量。最坏情况下，如果字符串中每个字符都不重复，那么空间复杂度就是 O(k)，k最多为字符串的长度。
这个解法的妙处
说到这儿，很多人可能会觉得，这个算法是不是有点过于“机械化”？说实话，我最初也觉得这题会需要复杂的动态规划什么的，但滑动窗口的解法真的是又快又简洁。通过不断移动两个指针，就能高效地找到答案，避免了暴力算法中的低效计算。
而且，这个解法适应的场景非常广泛，很多字符串问题都可以通过滑动窗口来优化，基本上是性能优化的一大利器。
我觉得，能够通过高效的算法解决问题，是开发者最具成就感的时刻之一。毕竟，谁不想把一个问题“撕裂”了，然后拿出最优的解法呢？😎
最后，我为大家打造了一份deepseek的入门到精通教程，完全免费：https://www.songshuhezi.com/deepseek
也可以看我写的这篇文章《DeepSeek满血复活，直接起飞！》来进行本地搭建。
-END-
以上，就是今天的分享了，看完文章记得右下角点赞，也欢迎在评论区写下你的留言。