c/c++语言开发共享找出2个相似或不相似的字符串

你问过两个问题：

面试官可能正在寻找你说的话，“嗯，如果这些字符串实际上是无法记忆的大量文件，我该怎么办？” 或者你问“好的字符串是否排序？因为如果它们是，我可以更快地做到……”。

但现在让我们说这些字符串很大。 您在内存中存储的唯一内容是哈希表。 Unicode只有大约100万个代码点，并且你为每个代码点存储一个整数计数，所以即使你从千兆字节大小的文件中获取数据，你的哈希表只需要大约4MB左右（或者是这个的一小部分，因为它会在头顶上）。

在没有任何其他条件的情况下，您的算法很好。 事先对字符串进行排序并不好; 它占用更多内存，而不是线性时间操作。

附录

由于你的原始注释提到了char类型而不是wchar_t ，我想我会展示一个使用宽字符串的例子。 见https://codepad.org/B3MXOgqc

希望有所帮助。

附录2

好的，这是一个C程序，它显示了如何通过宽字符串并在角色级别工作：

这是一个非常短的程序，所以我也将它贴在这里：

 #include  #include  #include  char *s1 = "abd中日"; wchar_t *s2 = L"abd中日"; int main() { int i, n; printf("length of s1 is %dn", strlen(s1)); printf("length of s2 using wcslen is %dn", wcslen(s2)); printf("The codepoints of the characters of s2 aren"); for (i = 0, n = wcslen(s2); i < n; i++) { printf("%02xn", s2[i]); } return 0; } 

输出：

 length of s1 is 9 length of s2 using wcslen is 5 The codepoints of the characters of s2 are 61 62 64 4e2d 65e5 

我们可以从中学到什么？ 几件事：

在这个例子中，我定义了一个带有CJK字符的字符串，并使用了wchar_t和一个带有wcslen的for循环。 请注意，我正在使用真实字符，而不是BYTES，所以我得到了正确的字符数，即5.现在我打印出每个代码点。 在你的面试问题中，你将看到代码点是否>= 128.我用Hex显示它们，就像文化一样，所以你可以寻找> 0x7F。 ?

附录3

字符处理比上面的简单示例要多得多。 在下面的评论中，JF Sebastian提供了许多其他重要的链接。

需要解决的几个问题是规范化。 例如，你的面试官是否关心当给出两个字符串时，一个只包含一个Ç而另一个包含一个C后跟一个COMBINING MARK CEDILLA BELOW，它们是否相同？ 它们代表相同的字符 ，但是一个使用一个代码点，另一个使用两个。