程序员面试金典(第5版) 读书笔记

程序员面试金典(第5版)

2016-06-23
原文：抛开这个环境吧，让我们拿出纸和笔。你可以在写好全部代码并做过人工测试之后，再在计算机上用编译器进行验证。


2016-06-23
原文：你回答行为问题的表现其实还会左右面试官对你技术能力的看法。行为问题的准备工作其实相对比较轻松，而且容易达到事半功倍的效果


2016-06-23
原文：死记硬背答案最多只能解决一些特定问题，但是一碰到新的题，你可能就傻眼了。而且，基本上你不太可能碰上出自本书的题目。 最靠谱的做法就是，不看答案，先把书里的题全部认真做一遍。这样你才有可能练就各种技能和技巧，从容应对新问题。就算最后你只能大概复习一下为数不多的题，这种做法也会对你很有帮助。质量胜于数量。


2016-06-23
原文：写程序不是什么竞赛，面试也不是，所以解题时不要太过仓促。代码写得太草率容易出问题，也说明你这个人不够细心。请放慢节奏，有条不紊，多做测试，问题考虑得周全些。这么一来，最终你反而能更高效地给出答案，错误也会少一些。


2016-06-23
原文：代码冗余、数据结构乱七八糟（比如，缺少面向对象设计）等等，这些都是常见错误！写代码时，不妨设想一下你是在处理实际问题，要注重可维护性。将代码划分成不同的子程序，并精心设计数据结构来处理相应的数据。


2016-06-23
原文：我知道面试题都很难，但不难怎么显出求职者的水平呢。你会迎难而上还是轻言放弃？态度很重要，面试官都喜


2016-06-23
原文：欢那些不畏挑战、迎难而上解决问题的求职者。毕竟，面试本来就不简单。所以，碰到棘手的问题请不要惊慌，也不要轻言放弃。


2016-06-23
原文：公司最青睐的人才必须具备两大特性：一是天资聪颖，二是扎实的编程功底


2016-06-23
原文：二叉树与二叉查找树 碰到二叉树问题时，许多求职者会假定面试官问的是二叉查找树。此时务必问清楚二叉树是否为二叉查找树。二叉查找树附加有如下条件：对于任意结点，左子结点小于或等于当前结点，后者又小于所有右子结点。 平衡与不平衡 许多树都是平衡的，但并非全都如此。树是否平衡要找


2016-06-23
原文：面试官确认。如果树是不平衡的，你应当从平均情况和最坏情况所需时间来描述自己的算法。注意，树的平衡有多种方法，平衡一棵树只意味着子树的深度差不会超过一定值，并不表示左子树和右子树的深度完全相同。 完满和完整（Full and Complete） 完满和完整树的所有叶结点都在树的底部，所有非叶结点都有两个子结点。注意完满和完整树极其稀少，因为一棵树必须正好有2n 1个结点才能满足这个条件。


2016-06-23
原文：2.二叉树遍历 面试之前，你应该能够熟练实现中序、后序和前序遍历。其中最常见的是中序遍历，先遍历左子树，然后访问当前结点，最后遍历右子树。


2016-06-23
原文：大部分求职者都比较熟悉二叉树的遍历，但图的遍历则要难得多。广度优先搜索（BFS）更是难上加难。 值得注意的是，广度优先搜索（BFS）和深度优先搜索（DFS）通常用于不同的场景。如要访问图中所有结点，或者访问最少的结点直至找到想找的结点，DFS一般最为简单。不过，如果一棵树的规模非常大，在离最初结点太远


2016-06-23
原文：想要随时退出的话，DFS可能会有问题；我们可能搜索了该结点的成千上万个祖先结点，却还未搜索该结点的全部子结点。对于这些情况，一般首选BFS。 深度优先搜索（DFS） 在DFS中，我们会访问结点r，然后循环访问r的每个相邻结点。在访问r的相邻结点n时，我们会在继续访问r的其他相邻结点之前先访问n的所有相邻结点。也就是说，在继续搜索r的其他子结点之前，我们会先穷尽搜索n的子结点。 注意，前序和树遍历的其他形式都是一种DFS。主要区别在于，对图实现该算法时，我们必须先检查该结点是否已访问。如果不这么做，就可能陷入无限循环。


2016-06-23
原文：广度优先搜索（BFS） BFS相对不太直观，除非之前熟悉BFS的实现，否则大部分求职者都会觉得它很难对付。 在BFS中，我们会在搜索r的“孙子结点”之前先访问结点r的所有相邻结点。用队列实现的迭代方案往往最有效。


2016-06-27
原文：拆分大量的数据 尽管有时我们可以增加计算机的硬盘空间，不过，难免会遇到必须将数据拆分至多台计算机的情形。随之而来的问题是，哪些数据要放在哪一台机器上。下面有几种策略可供参考。 按出现的顺序 我们可以按出现的顺序直接划分数据。也就是说，有新数据进来时，先放进当前机器，填满之后，再加一台机器。这么做的好处是不会浪费资源。然而，根据具体问题和数据集的不同，查找表可能会变得非常复杂、异常巨大。 按散列值 另一种做法是根据数据的散列


2016-06-27
原文：值存放数据。具体一点来说，我们会采取以下步骤：(1) 根据数据挑选某种键；(2) 利用散列函数得到键的散列值；(3) 将散列值除以机器数量求得余数；(4) 将数据存储在这个值对应的机器上。也就是说，数据会存放在编号为#[mod(hash(key), N)]的机器上。 这种做法的好处是不用创建数据查找表。每一台计算机自动掌握数据的存储位置。然而，这也会出问题，那就是某台机器的数据可能会多一些，并最终超出它的存储容量。若发生这种情况，可以将数据迁移到其他机器上，以实现更好的负载均衡（但开销很大），或者将这台机器的数据拆分到两台机器上（形成一组树状结构的机器）。


2016-06-27
原文：按实际值 按散列值划分数据本质上是随机的；数据代表的具体意义与存储数据的机器之间，并不存在任何关系。在某些情况下，我们也许可以利用数据所代表的信息来降低系统延迟。 例如，假设你正在设计一个社交网站。虽然人们的朋友会来自世界各地，但实际上，相比俄罗斯普通公民，住在墨西哥的人可能拥有更多来自墨西哥的朋友。或许，我们可以将“类似”数据存储在同一台机器上，这样在查找墨西哥人的朋友时，只需访问较少数量的机器就能取得相关资料。 随机存储 通常情况下，我们只是随机


2016-06-27
原文：分数据，再实现一个查找表以表明哪台机器拥有哪些数据。虽然这肯定需要一张巨大的查找表，但它简化了系统设计的某些方面，使我们得以实现更好的负载均衡。


2016-06-27

原文：上下文切换（context switch）是两个进程之间切换（也即，将等待中的进程转为执行状态，而将正在执行的进程转为等待或终止状态）所耗费的时间。这样的动作会发生在多任务处理系统中，操作系统必须将等待中进程的状态信息载入内存，并保存执行中进程的状态信息。

图：