华为OD机试 - 压缩报文还原 - 栈（Python/JS/C/C++ 2025 B卷 100分）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 896平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创 2025-06-28 12:05:55 896 阅读 AI 写同款· GEO 优化 ›

华为OD机试真题（Python/JS/C/C++）专栏收录该内容

¥49.90 ¥99.00

816篇文章

订阅专栏

一、题目描述

为了提高数据传输的效率，会对传输的报文进行压缩处理。

输入一个压缩后的报文，请返回它解压后的原始报文。

压缩规则：n[str]，表示方括号内部的str正好重复n次。

注意：

n为正整数，取值范围0~100，str只包含小写英文字母，不考虑异常情况。
原始报文长度不会超过1000，不考虑异常的情况。

二、输入描述

输入压缩后的报文：

不考虑无效的输入，报文没有额外的空格，方括号总是符合格式的要求；
原始报文不包含数字，所有的数字只表示重复的次数n，例如不会出现像5b或3[8]的输入；

三、输出描述

解压后的原始报文。

四、测试用例

测试用例1：

1、输入

2[abc]3[cd]ef

2、输出

abcabccdcdcdef

3、说明

2[abc]解压为abcabc，3[cd]解压为cdcdcd，最终加上ef得到abcabccdcdcdef。

测试用例2：

1、输入

10[

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#华为od #python #javascript #2025B卷 #华为OD机试

2026华为OD机试（Python）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ 华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Python实现。阅读详情

相关推荐

2026华为OD机试（C++）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，C++实现。

MISAYAONE的博客 20万+

2026华为OD机试（JAVA&Go）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Java实现。

MISAYAONE的博客 34万+

2026华为OD机考新系统真题 + 双机位C卷 + 往年真题 - 题库目录分值说明 + 考点说明+在线OJ

2026年4月1日起，华为OD机试正式切换至新系统模式！采用力扣模式，无需自己写输入！难度大幅度降低。正在备考华为OD机试的同学，优先刷新系统机试真题，可大幅提升通过率。新系统考题考点与旧版一致，无需重新适应。本专栏所有算法题均配有详细思路解析，并提供C语言、JS、C++、Python、Go、Java多语言源码实现。订阅后私信即可开通专属OJ刷题权限，高效备考一次上岸！

算法大师！ 45万+

2026华为OD机试（JavaScript）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，JavaScript实现。

MISAYAONE的博客 8万+

华为OD机试新系统双机位C卷往年真题机考题库（持续收录中）以及算法考点详解（Python/JS/C/C++）

刷的越多，抽中的概率越大，每一题都有详细的答题思路、详细的代码注释发现新题目，随时更新。

学Java，找哪吒 5万+

华为OD机试新系统双机位C卷往年真题机考题库（持续收录中）以及算法考点详解

每一题都有详细的答题思路、详细的代码注释、样例测试，发现新题目，随时更新，全天优快云在线答疑。

学Java，找哪吒 7万+

【华为OD机试真题 2025B卷】246、报文解压缩 | 机试真题+思路参考+代码分析（C++、Java、Py、C语言、JS）

### 🎃题目描述 >为了提升数据传输的效率，会对传输的报文进行压缩处理，输入一个压缩后的报文，请返回它解压后的原始报文，压缩规则： n[str]，表示方括号内部的str正好重复n次 > 注意n为正整数(0

KJ.JK 1万+

华为OD机试2025C卷 - 精准核酸检测 (C++ & Python & JAVA & JS & GO)

华为OD机试2025C卷精准核酸检测,提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解

qq_45776114的博客 1707

华为OD机试 - 上班之路/是否能到达公司 - 广度优先搜索bfs（Python/JS/C/C++ 2025 B卷 100分）

本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新。Jungle 生活在美丽的蓝鲸城，大马路都是方方正正，但是每天马路的封闭情况都不一样。地图由以下元素组成：.：空地，可以达到；*：路障，不可达到；S：Jungle 的家；T：公司；其中我们会限制 Jungle 拐弯的次数，同时 Jungle 可

学Java，找哪吒 1046

【华为OD机试真题 2025C卷】246、报文解压缩 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）

【华为OD机试真题 2025C卷】246、报文解压缩 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2025e卷，od机试，2025E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2025华为od，如何备战华为

正在更新最新华为OD机试2025B卷，提供OJ在线刷题 5245

【华为OD机试真题 2025B卷】715、报文解压缩 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）（B卷复用）

【华为OD机试真题 2025B卷】715、报文解压缩 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）（B卷复用）华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2025e卷，od机试，2025E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2025华为od，如

KJ.JK 1399

使用STM32微控制器实现光电传感器的接口和数据处理

本文将介绍如何使用STM32微控制器实现光电传感器的接口和数据处理的方案，包括硬件设计、引脚配置、数据采集、滤波和阈值判断等关键步骤，并给出相应的代码示例。本文将介绍如何使用STM32微控制器实现光电传感器的接口和数据处理的方案，包括硬件设计、引脚配置、数据采集、滤波和阈值判断等关键步骤，并给出相应的代码示例。在光电传感器的接口和数据处理的实现过程中，要关注系统的性能。在使用STM32微控制器实现光电传感器的接口和数据处理之前，需要设计一个合适的硬件平台。

weixin_66608063的博客 3199

别再为UE5像素流部署踩坑了！Windows服务器单实例保姆级避坑指南（含Node.js证书、coturn空文件夹等常见问题解决）

本文提供了UE5像素流在Windows服务器单实例部署中的全面解决方案，涵盖Node.js证书过期、coturn空文件夹等常见问题。通过详细的步骤指导和配置建议，帮助开发者高效完成部署，避免常见陷阱，特别适合局域网环境下的应用场景。

weixin_30315435的博客 462

从XSA到Linux应用：Petalinux与Vitis的嵌入式开发全流程解析

本文详细解析了从XSA文件到Linux应用的嵌入式开发全流程，重点介绍了Petalinux与Vitis工具链的使用技巧和实战经验。通过XSA硬件描述、Petalinux工程搭建、系统镜像优化及Vitis开发配置等关键步骤，帮助开发者高效完成ZYNQ平台开发，解决常见问题并提升开发效率。

weixin_29195217的博客 191

科研绘图神器Origin2024最新中文版安装教程：5分钟搞定所有配置

本文提供了一份详细的Origin2024中文版安装与配置指南。从系统环境核查、安装包获取验证，到分步安装、语言切换及关键初始设置，手把手教你5分钟完成所有基础配置。同时，指南还分享了首次启动后的个性化设置与高效绘图工作流，助你快速上手这款科研绘图神器，提升数据处理与图表制作效率。

weixin_29247219的博客 1037

ElasticSearch 集群安全加固实战：从零配置TLS证书与密码认证

本文提供了一份详尽的ElasticSearch集群安全加固实战指南，重点介绍了如何从零开始配置TLS证书与用户安全认证。通过分步讲解证书生成、节点配置、集群重启及密码设置，帮助管理员为ES集群构建通信加密与访问控制的双重防线，有效提升数据安全性与合规性。

weixin_29323493的博客 444

DeepSeek：为文化创意产业注入AI新动能

沪南胜境，闵行新章。随后，2024 年 5 月，DeepSeek 宣布开源第二代 MoE 大模型 DeepSeek-V2，以其比肩 GPT-4Turbo 的卓越性能，以及仅为 GPT-4 百分之一的价格优势，迅速在市场中掀起波澜，收获了 “AI 届拼多多” 的独特名号，让更多人看到了高性价比 AI 大模型的可能性。创作者自身也应提高对创作伦理的认识，树立正确的创作观念，在使用 AI 工具时，保持对创作的主导权，充分发挥自己的创造力和想象力，将 AI 作为创作的辅助工具，而不是替代品。

远程部署调试运行安装项目调试二次开发项目技术新持续迭代部分源码免费分享 1962

Gromacs 模拟昆虫 P450 解毒酶与农药结合完整指南，仅供参考！

🏆 本文收录于《全栈Bug调优(实战版)》专栏，致力于分享我在项目实战过程中遇到的各类Bug及其原因，并提供切实有效的解决方案。无论你是初学者还是经验丰富的开发者，本文将为你指引出一条更高效的Bug修复之路，助你早日登顶，迈向财富自由的梦想🚀！同时，欢迎大家关注、收藏、订阅本专栏，更多精彩内容正在持续更新中。让我们一起进步，Up！Up！Up！备注：部分问题/难题源自互联网，经过精心筛选和整理，结合数位十多年大厂实战经验资深大佬经验总结所得，数条可行方案供所需之人参考。

**My Coding Family** 1238

Python-增加b站视频播放量

如果条件允许的情况下，有代理API更好，每次请求url调用API也更方便。如果没有的话，也不用担心，网上本身也有着很多免费国内代理，不过代理是否可用需要自己花点时间去检测，检测方法笔者这里就不详述了，后面有时间的话会单独针对这一块做详细说明。在开始之前，需准备代理IP。总之，在每次请求url的时候，随机带入某个IP防止被平台检测，便于达到增加播放量预期。大致思路就是针对你的目标代理平台进行IP抓取，并存入到自己本地的IP代理池。本文是该专栏的第1篇，后面会持续更新对应平台干货知识，记得关注。

Python进阶专栏《爬虫实战进阶》，《Pyppeteer从入门到精通》原创作者 5209

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")