清华OJ：PA3-3 重名剔除(Deduplicate)难题精解

题目：https://dsa.cs.tsinghua.edu.cn/oj/problem.shtml?id=1150

分析：

题目涉及字符串，提示用散列。不难想到散列码转换，根据邓公教材上的方法，字符串的散列码取作，其中常数a>=2，但若用这一方法，得到的值会超出int范围上限，不值得。故将上式改为，这样远远不会达到int范围上限。至于散列函数的设计，一般用除余法即可，故可在得到散列码后，直接除余，余数即散列表长，一般选用不小于输入规模上限的素数即可，此题是600001。转换后的散列码可能重复，等效于不同关键码（字符串）映射到同一地址，故需要解决冲突。

解决冲突的方法很多，常用的是开放定址法的线性探测法，但是这一方法会导致超时，原因在于当出现冲突时，最坏情况下需要遍历之前所有的非空桶单元，因此此法不妥。此题一般适用的方法是独立链法，即将冲突的关键码组织成列表放在映射到的桶单元中，发生冲突时，最坏情况下只需遍历当前桶单元的所有冲突关键码，相较于前一方法，时间成本得到了极大降低。

除了上述方法正确之外，还需要结合题目，此题要求重复的字符串只输出1次，故需要增设额外标志，一般是在桶单元的每个槽位（冲突单元）中设置，可以设为布尔型，初始化为假，若当前输入的字符串与映射到的字符串重复，且当前对应的槽位标志为假，则将其改为真，输出这个字符串，这样之后重复的字符串不会被输出。

有了正确的基本方法和结合题目的特殊方法，一般可以通过。至于每个槽位中的数据域的选取，一般选取字符串，而为了赋值方便，一般使用C++的string类型，但是这样做通过后，会发现最坏用例耗时1200+ms。不难发现，其原因在于每次字符串的赋值导致时间成本的迅速升高。于是，将数据域取字符指针，于是数据域的每次赋值只需O(1)的时间。经测试，此方法最坏用例仅耗时200+ms，相较于前一方法，效率提升了近5倍！

若槽位数据域选用字符指针，则需要注意，你需要在主函数之外定义一个二维字符数组，原因有两点，一是字符（串）指针需要取一个字符二维数组的第1维，这样就指向了一个字符串，而这个字符串的首字符地址是唯一的，这样可以保证每个槽位字符指针不至于重复。二是数组若在主函数之内定义，运行会出错。最后注意数组第2维度长度即字符串最大长度，需至少为41，原因是字符串需要有结束符。

掌握基本方法，利用好题目条件，注意和处理好和题目相关的所有细节，定能AC!

代码：

#include
#include
#define HASHSIZE 600001
using namespace std;
struct Slot {//每个桶对应的槽位，存储冲突，即映射到同一地址且不重复的字符串（实则字符指针） 
	char* data;//数据项，存储字符指针 
	bool repeat;//标志，判别字符串是否重复
	Slot* succ;//后继 
}buckets[HASHSIZE];//桶数组（散列表） 
char name[HASHSIZE][41];//字符二维数组（必须开头定义），存储输入字符串，注意二维长度为40+1个结束符=41 
void Insert(int addr, char* s) {//在相应地址中插入冲突的字符串（实则字符指针） 
	Slot* t = new Slot;
	t->data = s; t->repeat = false;//初始化当前字符串从未重复 
	t->succ = buckets[addr].succ;//链表头插法 
	buckets[addr].succ = t;
}
int HashCode(char* s) {//散列码转换（字符串转数字） 
	int sum = 0, len = strlen(s);
	for (int i = 0; idata, name[i])) {//若当前槽位的字符串重复 
			if (!p->repeat) {//检查当前槽位的字符串是否重复
				p->repeat = true;//若未重复，则标志为已重复过 
				puts(name[i]);//输出重复字符串 
			}break;//若重复过，则忽略，无论是否重复过，皆终止遍历 
		}
		else p = p->succ;
		if (!p)Insert(addr, name[i]);//若当前槽位空，则进行插入 
	}
	return 0;
}