Question

规则： 2个字符串，a和b，它们都由ASCII字符和非ASCII字符组成（例如，中文字符gbk编码）。

If the non-ASCII chars contained in b also show up in a and no less than the times they appear in b, then we say b is similar with a.

例如：

a = "ab中ef日jkl中本"  //non-ASCII chars:'中'(twice), '日'(once), '本'(once)
b = "bej中中日"  //non-ASCII chars:'中'(twice), '日'(once)
c = 'lk日日日'   //non-ASCII chars:'日'(3 times, more than twice in a)

根据规则，b与a类似，但c不是。这是我的问题：我们不知道a和b中有多少非ASCII字符，可能很多。因此，为了找出a和b中出现非ASCII字符的次数，我应该使用哈希表来存储它们的出现时间吗？以字符串a为例：

[non-ASCII's hash-value]:[times]
     中's hash-val      : 2
     日's hash-val      : 1
     本's hash-val      : 1

检查字符串b，如果我们在b中遇到非ASCII字符，然后哈希它并检查一个哈希表，如果字符串存在于哈希表中，那么它的出现时间减1。如果出现时间小于0（-1），那么我们说b与a不相似。

还是有更好的方法吗？

PS： 我逐字节读取字符串，如果字节小于128，那么我将其作为ASCII字符，否则我将其作为非ASCII字符（多字节）的一部分。我正在做的是找出非ASCII字符。是不是？

Answer 1

你问过两个问题：

我们可以使用哈希表来计算非ASCII字符吗？答：当然。当您阅读字符（而不是字节）时，请检查代码点。对于大于127的任何代码点，将其放入计数哈希表中。对于字符c，如果c不在表中，则添加（c，1），如果c已经在表中，则将（c，x）更新为（c，x + 1）。
有没有一种更好的方法来解决这个问题，而不是在你通过b时递增计数和递减计数的方法？如果您的哈希表实现提供了几乎O（1）访问，那么我怀疑不是。您正在查看字符串中的每个字符一次，并且对于每个字符，您正在执行哈希表插入或查找以及加法或减法，并检查0。对于未排序的字符串，您有无论如何要查看两个字符串中的所有字符，所以我认为你已经给出了最佳解决方案。

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“好的字符串排序了吗？因为如果它们是，我可以更快地完成......”。

但现在让我们说这些字符串非常庞大。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，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，因为它会是开销）。

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。

<强>附录

由于您的原始评论提到了类型char而不是wchar_t，我想我会展示一个使用宽字符串的示例。见http://codepad.org/B3MXOgqc

希望有所帮助。

ADDENDUM 2

好的，这是一个C程序，它准确地显示了如何通过宽字符串并在角色级别工作：

http://codepad.org/QVX3QPat

这是一个非常短的程序，所以我也将它粘贴在这里：

#include <stdio.h>
#include <string.h>
#include <wchar.h>

char *s1 = "abd中日";
wchar_t *s2 = L"abd中日";

int main() {
    int i, n;
    printf("length of s1 is %d\n", strlen(s1));
    printf("length of s2 using wcslen is %d\n", wcslen(s2));
    printf("The codepoints of the characters of s2 are\n");
    for (i = 0, n = wcslen(s2); i < n; i++) {
        printf("%02x\n", 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：

如果您使用普通的char作为CJK字符，则字符串长度将会错误。
要在C中使用Unicode字符，请使用wchar_t
字符串文字对于宽字符串具有前导L

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，所以我得到正确的字符数，即5。现在我打印出每个代码点。在您的面试问题中，您将查看代码点是否为>= 128.我在Hex中显示它们，文化也是如此，因此您可以查找> 0x7F。： - ）

ADDENDUM 3

http://tldp.org/HOWTO/Unicode-HOWTO-6.html中的一些注释值得一读。字符处理比上面的简单示例要多得多。在下面的评论中，J.F。Sebastian提供了许多其他重要的链接。

需要解决的一些问题是规范化。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C后跟一个COMBINING MARK CEDILLA，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。

找出2个相似或不相似的字符串

1 个答案: