【C编程练习】华为2013校园招聘机试题3:对源字符串中得字符串进行查找替换并返回动态申请空间的指针char* Fun(char*pSrc,char*pOldStr, char*pNewStr)

Visual Studio调试时遇到ntdll.dll的PDB文件缺失?别慌,这3个方法帮你搞定(附详细步骤) 本文详细解析了Visual Studio调试时ntdll.dll的PDB文件缺失问题,提供了3种实用解决方案:调整调试设置、配置符号服务器与缓存目录、手动下载管理符号文件。通过分步指导和高级技巧,帮助开发者快速恢复完整的调试功能,特别适用于Windows平台下的C++项目开发。 阅读详情

//ex1_f1.cpp 

// 源作者:曹玲玲   编于2012-09-12

//【题目】华为2013校园招聘机试题目9月10日题3

//【功能】 对源字符串中得字符串进行查找替换 并返回动态申请空间的指针 char* Fun(char* pSrc, char* pOldStr, char* pNewStr);

//        【输入】pSrc   源字符串

//          pOldStr 需要被替换的字符串

//                pNewStr 替换的新的字符串

//        【返回】替换后的新的字符串的指针

#include <stdio.h>

#include <stdlib.h>

char* Fun(char* pSrc, char* pOldStr, char* pNewStr)

{

  int i=0,j=0,z=0;

  int poisition=1;

  unsigned Len_OldStr=0,Len_Src=0,Len_NewStr=0;//字符串pOldStr的长度

  char *ReStr;

  //字符串pSrc的长度

  while(pSrc[i]!='\0')

  {

    Len_Src++;

    i++;

  }

  //字符串pOldStr的长度

  while(pOldStr[j]!='\0')

  {

    Len_OldStr++;

    j++;

  }

  //字符串pOldStr的长度

  while(pNewStr[z]!='\0')

  {

    Len_NewStr++;

    z++;

  }

  i=0;j=0;z=0;

  ReStr=(char *)malloc(Len_Src-Len_OldStr+Len_NewStr+1);

  //查询字符串pOldStr在源字符串中的位置pSrc

  while (pSrc[i]!='\0'&&pOldStr[j]!='\0')

  {

    if(pSrc[i]==pOldStr[j])//判断字符是否相等

    {

      i++;

      j++;

    }

    else if (pSrc[i]==pOldStr[0])//不相等时:情况1:当前源字符与子串pOldStr[0]相同

    {

      poisition=i+1;//子串所在的位置是当前位置[i]

      i++;

      j=1;//下次从子串的第二个位置开始比较

 

    }

    else

    {

      poisition=i+2;//子串所在的位置是下一个位置[i+1]

      i++;

      j=0;//下次依然从子串的第一个位置开始比较

    }

  }

  if (pOldStr[j]=='\0')

    poisition=poisition;

  else

  {

    poisition=0;//未查找到子串

    return NULL;

  }

  //替换字符串并复制到新的字符串内

  i=0;

  j=0;

  while(pSrc[i]!='\0')

  {

    if (i==poisition-1)

    {

      z=0;

      while (pNewStr[z]!='\0')

      {

        ReStr[j]=pNewStr[z];

          j++;

        z++;

      }

      i=i+Len_OldStr;

    }

    else

    {

      ReStr[j]=pSrc[i];

      j++;

      i++;

    }

  }

  ReStr[j]='\0';

  return ReStr;

}

 

 

//主函数

void Fun_Main()

{

  char* pSrc="caolingling";

  char* pOldStr="ling";

  char* pNewStr="mei";

  char *Re;

  Re=Fun(pSrc, pOldStr, pNewStr);

  printf("源 字 符 串:%s\n需要替换的字符串:%s\n替  换  为:%s\n",pSrc, pOldStr, pNewStr);

  printf("替换后为:%s",Re);

  free(Re);

}

 

运行结果

NSGA-III相关笔记 NSGA-III目录目的区别NSGA-III的算法流程非支配排序详解归一化详解 目录 NSGA-III基于matlab的实现 参考文献 1.An Evolutionary Many-Objective Optimization Algorithm Using Reference-point Based Non-dominated Sorting Approach,Part I: Solving P... 阅读详情

相关推荐

CST STUDIO SUITE 2023安装

破解工具的Crack文件夹内有一个名为「CST Studio Suite 2022」的文件夹,这也是于CST的安装目录同名的文件夹,直接把它拷贝到CST Studio Suite 2022的同级路径下即可,比如你的CST安装路径为:D:\Program Files\CST Studio Suite 2022,则将Crack目录内的「CST Studio Suite 2022」文件夹复制到 D:\Program Files\ 这个级别的路径下即可。软件百度网盘链接放在文章末尾啦!先不着急启动CST或者激活。

m0_49516223的博客 4130

谈谈我对java中的String.replace(char oldChar, char newChar)方法的理解

首先我们来看一段代码 public class StringTest { public static void main(String[] args) { String str = "ABCDE"; str.replace('A','F'); System.out.println(str); } } 执行输出结果如下: ABCDE ...

pcm5566的博客 2722

AI赋能传染病建模:从数据到动力学模型的本地实践指南

这次我们来看一个将 AI 与传染病动力学建模结合的前沿方向。想象一下,你手头有一份流感爆发的病例数据,传统的建模方法可能需要复杂的微分方程和大量的手动调参,而 AI 模型能否直接从数据中“学习”出传播规律,甚至自动跑通整个建模流程?这正是当前研究的热点。根据《Nature》的最新综述,人工智能正在重塑传染病流行病学建模,从参数推断、趋势预测到多源数据融合,AI 技术为解决传统建模中的计算瓶颈和数据难题提供了全新路径。 对于开发者、数据科学家或公共卫生领域的研究者而言,最关心的是:这套方法能不能在本地跑起来?

weixin_29051811的博客 298

一个程序媛的3年华为之路

点击码农故事汇关注我 码农故事汇,讲述码农的真实人生 我叫苏芸,91年生人,16年硕士毕业于南京某985高校。托母校和我所学专业的福,15年秋招顺利拿到了南京乃至...

码农故事汇 307

FCN---训练cityspaces

未经允许,不要随意转载! 最近想试试用FCN训练自己的数据集,想想标注是一件很费劲的事,于是就想到了用其他库里的数据,这里选用了cityspaces,默认已经配置好FCN. 1、下载cityspaces https://www.cityscapes-dataset.com/ 需要注册一个账号 cityspaces包含2...

wangyu088的专栏 2036

【专栏必读】王道考研408计算机网络+湖科大教书匠计算机网络+网络编程万字笔记使用说明及章节导航

本文档汇总了王道考研408计算机网络和湖科大教书匠计算机网络课程的重点内容,包括计算机网络体系结构、物理层、数据链路层、网络层、传输层和应用层的详细讲解。通过ISO/OSI和TCP/IP模型,深入探讨了通信基础、介质访问控制、IP地址、TCP/UDP协议、流量控制和网络编程等关键概念。此外,还提供了Linux网络编程实践,帮助读者巩固理论知识

快乐江湖的博客 2万+

在html页面上包含如下创建层的语句,javascript复习题

复习题一、选择题1、写“Hello World”的正确javascript语法是?A. document.write("Hello World")B. "Hello World"C. response.write("Hello World")D. ("Hello World")2、JS特性不包括( )A.解释性B.用于客户端C.基于对象D.面向对象3、下列JS的判断语句中( )是正确的A.if(i...

weixin_34900026的博客 2902

【PySide6拓展】初识QChart图表

在 PySide6 中,QtCharts模块提供了一系列强大的类,用于创建和管理图表。QChart是这个模块的核心类,它可以帮助开发者轻松地实现数据的可视化。本篇文章将介绍如何使用 PySide6 的QtCharts模块,并通过一个简单的示例教你如何快速引入QChart。QChart折线图柱状图饼图区域图它能够直观地呈现数据,同时支持交互功能,如缩放、拖拽和工具提示等。通过引入QChart,我们可以轻松实现数据的可视化,提升应用的交互性和用户体验。结合其他QtCharts。

m0_62599305的博客 823

js str.replace(oldStr | regexp, newStr).html

<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>js str.replace(oldStr | regexp, newStr)</title> </head> <body> <sc...

weixin_42193179的博客 529

Android SystemUI——车载CarSystemUI加载(八)

车载 CarSystemUI 是指专门为汽车环境设计的用户界面和用户体验(UI/UX),它通常与 Android Automotive OS 或其他嵌入式操作系统一起工作,为驾驶者和乘客提供安全、直观且高效的交互方式。Android Automotive OS 是 Google 专门为汽车开发的操作系统版本,它基于 Android 平台,并针对车辆内部的使用进行了优化。

小旭的专栏 2175

BevFusion (1): 传感器介绍

激光雷达,也称光学雷达(LIght Detection And Ranging)是激光探测与测距系统的简称,它通过测定传感器发射器与目标物体之间的传播距离,分析目标物体表面的反射能量大小、反射波谱的幅度、频率和相位等信息,从而呈现出目标物精确的三维结构信息。激光雷达是自动驾驶车辆的关键传感器,如下图所示,车辆上方旋转的圆柱体对应就是激光雷达传感器。

@bangbang的博客 1475

C 用新字符串替换某字符串里的指定字符

/** *在有效的字符串内,用新字符串替换指定的字符串,仅执行一次替换操作 *str: 待替换的字符串源 *oldstr: 被替换的字符串 *newstr: 用于替换的新字符串 *result: 参数输出执行替换后的结果(可用该函数返回值,也可用result参数接收替换后的结果) **/ char *strrpc(char *str,char *oldstr,char *newstr,cha...

u010465417的博客 4772

Hermes Agent 对阵 OpenClaw:自我改进的 AI 队友

但在 2026 年 2 月,Nous Research 发布了 Hermes Agent,它带来了不同的愿景:一个不仅能够运行,还能学习的代理。在完成复杂的多步骤任务后,它会分析自己的操作并创建一个可复用的技能。对于已在使用 OpenClaw 的澳大利亚企业而言,这意味着您可以试用 Hermes Agent,而无需丢失数月的配置和自定义成果。最重要的区别在于理念:OpenClaw 是一个需要配置的工具,而 Hermes Agent 则是一个会学习的队友。OpenClaw 的技能是静态的。

xiaoshun007的专栏 1572

int replaceString(String *s,char *old ,char *new1)

int replaceString(String *s,char *old ,char *new1) {     if(s-&gt;data==NULL) return -1;     int index= locate(s,old,0);//先定位     while(index&gt;=0)     {         int lenOld =strlen(old);         in...

luhansusu的博客 776

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

【C编程练习】2013华为校园招聘机试题目题5:将一个int类型的数字转化为字符串,并判断有无重复字符串(长度应大于2)有返回1,无返回2

//ex1_function2.cpp // 源作者:曹玲玲 编于2012-09-12 //【题目】2013华为校园招聘机试题目题5:将一个int类型的数字转化为字符串,并判断有无重复字符串(长度应大于2)有返回1,无返回2 #include #include #define MAX 200 int ItoAandRepeat(unsigned int theNu

曹玲玲的专栏 3486

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

replace(char oldChar, char newChar)源码分析

String类的replace(char oldChar, char newChar)源码分析

山月风成的博客 906

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

char添加一个字符_C语言动态接收多个字符串

1. 背景与基本原理 在一些场合下,用户往往需要动态输入字符串,如果程序能够自动接收传进的字符串并进行计数,便可以达到动态接收的效果。基本原理是定义一个指向字符串指针的指针,对其进行进一步细化。我们期待程序能够接收未知数量、未知长度的字符串,能够动态保存字符串。如图1所示,设计一个这样的结构便可以达成以上要去。图1 字符串在内存中的排布基本思想如下,存放一个字符串,需要一定的内...

weixin_39716044的博客 1032

【C编程练习】华为2013校园招聘机试题目题4:删除一个字符串中出现次数最少的字符,函数原型为:char * delChar(char *s,int iLen)

//ex1_function2.cpp // 源作者:曹玲玲 编于2012-09-12 //【题目】华为2013校园招聘机试题目题4:删除一个字符串中出现次数最少的字符,函数原型为:char * delChar(char *s,int iLen) //【输入】s为输入字符串,iLen为输入字符串长度 // 如输入字符串为“abcdd”,输出为"dd" //

曹玲玲的专栏 7211

【C编程练习】2013华为校园招聘机试题9月10日题2:计算整数二进制表达式中0的个数 最左边1前面的0不考虑 void GenZeroNum(int nVal, int& nZeroNum);

//ex7_function5.c //编写于2012年9月11日,源作者:曹玲玲 //【实现功能】2013华为校园招聘机试题9月10日题2: /*【题目】计算整数二进制表达式中0的个数 最左边1前面的0不考虑  void GenZeroNum(int nVal, int& nZeroNum);  */ #include    void GenZeroNum(int nVal,int

曹玲玲的专栏 4944

【C编程练习】2013华为校园招聘机试题9月10日题1:把整数转换成字符串 void ConvertIntToStr(int nVal, char* pStr);

【C编程练习】2013华为校园招聘机试题9月10日题1:把整数转换成字符串 void ConvertIntToStr(int nVal, char* pStr); //ex7_function4.c //编写于2012年9月11日,源作者:曹玲玲 //【实现功能】2013华为校园招聘机试题9月10日题1: /*【题目】第一道题,把整数转换成字符串 void ConvertIntToStr(

曹玲玲的专栏 4702

【C程序练习】《2009年华为软件设计大赛》编程题 第2题,实现子串查找程序

//ex7_function2.c //编写于2012年9月10日,源作者:曹玲玲 //【实现功能】《2009年华为软件设计大赛》编程题 第2题,实现子川查找程序 //【题目】1,判断一个字符串(dst)是否是另一个字符串(src)的字串 //       2,输出字串在母串中第一次出现的起始位置 //       3,匹配的时候不区分大小写; //       4,不能使用库函数(使

曹玲玲的专栏 2045

IPD咨询洞察:华为项目管理:分析价值创造的来源

华为项目管理中,价值交付不是笼统的完成任务,而是从两个角度拆解:价值的形态和归属。价值有三个维度——当期商业价值、未来战略目标、整体能力提升。价值归属四类对象:客户、企业、伙伴、团队。先定义价值,再对齐对象,项目才算真正交付了价值。

weixin_58096508的博客 250

华为直连PBR去往多个目的地址走不同路径互通

PC1、PC2、PC3三个网段回访需要经过上方的防火墙(防火墙未找到授权,本次使用路由器模拟),并且PC1访问PC2走1.1.1.1-1.1.1.2互联地址;PC2访问PC3走2.2.2.1-2.2.2.2互联地址,因为上面为防火墙,需要来回路径和接口要一致才行;但是这对于防火墙造成了接口的相同设备不同接口异步路由,对与路由器没有问题,但是对于安全设备就出现来回路径不一致,最终造成业务不通。但是PC3访问PC1走的是1.1.1.1的路径。访问PC3走的是11.1.1.1的路径。和PC3路径不一致了。

huainingning的博客 225

华为 C++ 二面追问虚函数表:我们用 g++ 把虚表打印出来逐项核对

这道题来自题库里一场 2026 年的华为 C/C++ 软件开发二面。面试官从一个很大的问题开始,一路往下追了 5 问:C++ 的特性有哪些?→ 怎么实现多态?→ C++ 虚函数 → 在继承中子类虚函数表怎么生成?→ 构造和析构函数能不能写为虚函数,为什么?前两问谁都答得上:封装、继承、多态;多态靠虚函数。后三问要你讲清楚虚表长什么样,以及对象在构造和析构的过程中发生了什么。这些说法方向都对,但有几处说得太粗,被追问一句就容易卡住。我们在服务器上用 g++ 13.3 把虚表直接打印出来,逐条核对了一遍。

muyuyuzhong的专栏 120

【2026-11-06】华为研发机试三道编程题解

本文整理了华为11月6日研发岗三道编程题解法:第一题为按列填充句子,通过枚举行数模拟列宽计算,求最小行数;第二题为生鲜库存优化,利用动态分配思想,预处理“采购-销售”成本,贪心选择最便宜来源满足需求;第三题涉及AC自动机与动态规划结合的序列化奖励问题。代码均以Java实现,思路清晰,适合笔试刷题参考。关注公众号【TechGuide】获取更多真题解析。

试问道几许 405

阳光与华为 API 差异多大?50MW 电站数据归一化的架构实践

去年 10 月在山东做那个 40MW 的工商业分布式项目时,业主为了平衡供应链,硬是选了 50% 阳光电源和 50% 华为的组串式逆变器。当时对接文档发过来,我扫了一眼,觉得无非就是两个 RESTful 接口的事儿。结果项目上线第一周,运维后台的数据就开始打架:这边发电量算的是累计值,那边给的是当日增量值;这边时间戳是

2601_96401599的博客 229
上一篇: 解决VC6与Office2007冲突的问题
下一篇: 【C编程练习】华为2013校园招聘机试题目题4:删除一个字符串中出现次数最少的字符,函数原型为:char * delChar(char *s,int iLen)
曹玲玲
博客等级 码龄16年 41粉丝 13原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值