开篇：算法小白的困惑
作为一名算法爱好者，在刷题的道路上，想必大家都和我一样，有过迷茫与困惑。面对浩如烟海的算法题，常常感觉无从下手。就拿 “340. 至多包含 K 个不同字符的最长子串” 这道题来说，初次看到时，真的是一头雾水。题目要求找出给定字符串 s 中，至多包含 k 个不同字符的最长子串，并返回其长度。这看似简单的描述，实则暗藏玄机，要如何高效地找到这个子串呢？它不仅考验对字符串的处理能力，更涉及到一些巧妙的算法思维，而这正是其魅力与挑战所在。今天，就让我们一起深入探究这道题，看看如何一步步攻克它。
一、问题剖析
让我们先来仔细剖析这道题。题目给定一个字符串 s 和一个整数 k ，要求找出至多包含 k 个不同字符的最长子串，并返回其长度。例如，输入字符串 s = “eceba”，k = 2，那么满足条件的最长子串就是 “ece”，长度为 3 ；再比如输入 s = “aa”，k = 1，最长子串就是 “aa”，长度为 2 。从这些示例可以看出，要在字符串的众多子串中精准定位到符合条件的最长子串并非易事。
这道题的关键在于如何高效地遍历字符串，利用合适的数据结构来记录字符出现的情况，进而通过巧妙的指针移动找到最长子串。而滑动窗口和哈希表的结合，正是解决此类问题的一把利刃，后续我们会详细讲解它们是如何协同作战的。
二、滑动窗口 + 哈希表：解题 “王炸” 组合
（一）滑动窗口基础
滑动窗口，简单来说，就像是一个在字符串上灵活移动的 “窗框”，窗框的两边分别由两个指针 left 和 right 把控。初始时，这两个指针都指向字符串的开头，框住的就是字符串开头的第一个字符，这是初始的窗口。随着算法的推进，right 指针会像一个勤劳的探索者，一步步地向右移动，不断扩大这个窗口，去探索后面的字符；而 left 指针则像是一个谨慎的守护者，当窗口内的情况不符合要求时，它就会适时地向右移动，缩小窗口，确保窗口里的字符始终满足题目的条件。
我们可以通过一个生活中的例子来加深理解。假设你在一个长长的书架前找书，你想找到一段连续的书架区间，使得这个区间内最多只有 k 种不同类别的书。一开始，你的目光聚焦在书架的最左端（相当于 left 和 right 都指向开头），然后慢慢向右扫视（right 移动），一旦发现当前扫视的区间内书的类别超过了 k 种，就把目光的左边界向右挪一挪（left 移动），直到找到满足条件的最长区间。通过这两个指针的默契配合，就能高效地遍历整个字符串，找到我们想要的最长子串。
（二）哈希表的关键角色
哈希表在这个算法中扮演着至关重要的角色，它就像是窗口的 “记忆小助手”。哈希表主要用于记录字符出现的位置或频次，方便我们快速判断窗口内不同字符的数量。以字符串 “eceba” 为例，当 right 指针逐步向右移动时，哈希表可以记录每个字符出现的最新位置。一开始，哈希表为空，当 right 指向第一个 ‘e’ 时，哈希表记录 ‘e’ 的位置（假设索引从 0 开始，这里就是 0）；接着 right 指向 ‘c’，哈希表更新为 ‘e’ 的位置 0，‘c’ 的位置 1；再到下一个 ‘e’，哈希表更新 ‘e’ 的位置为 2 。如此一来，我们通过查看哈希表的大小就能知道当前窗口内不同字符的数量，当哈希表大小超过 k 时，就知道需要移动 left 指针来调整窗口了。它能够让我们在 O (1) 的时间复杂度内完成字符的查找、插入和删除操作，大大提高了算法的效率，这在处理大规模数据的时候尤为关键。
三、步步为营：代码实现详解
（一）初始化工作
在 Java 代码实现中，首先要进行一些初始化操作。定义两个指针 left 和 right ，它们都初始化为 0 ，这表示滑动窗口起始位置在字符串的开头。同时，创建一个 LinkedHashMap ，这里使用 LinkedHashMap 是因为它既能像普通哈希表一样快速存取元素，又能保持元素插入的顺序，方便后续操作，其初始容量设置为 k + 1 ，这是为了应对后续可能出现的 k 个不同字符再加一个新字符的情况。还需要初始化一个变量 max_len ，用于记录最长子串的长度，初始值设为 1 ，这是考虑到字符串中至少有一个字符的情况，后续会不断更新这个最大值。这些初始化操作就像是搭建舞台，为后续精彩的算法表演做好准备。
int left = 0;
int right = 0;
LinkedHashMap<Character, Integer> hashmap = new LinkedHashMap<Character, Integer>(k + 1);
int max_len = 1;
（二）遍历字符串
接下来进入关键的遍历字符串环节。使用一个 while 循环，条件是 right 指针小于字符串的长度 n ，确保能遍历完整个字符串。在循环体内，首先获取当前 right 指针指向的字符 character 。接着，判断这个字符是否已经在哈希表 hashmap 中，如果是，先将其从哈希表中删除，这一步看似奇怪，实则精妙，目的是为了将该字符重新插入哈希表，使其成为哈希表中该字符的最新位置记录，保证后续判断窗口内字符顺序的准确性，然后将字符及其当前位置 right 插入哈希表，并将 right 指针向右移动一位。
while (right < n) {
Character character = s.charAt(right);
if (hashmap.containsKey(character))
hashmap.remove(character);
hashmap.put(character, right++);
此时，要检查窗口内的字符情况。如果哈希表的大小等于 k + 1 ，说明窗口内已经有了 k + 1 个不同字符，不符合题目要求，需要调整窗口。通过获取哈希表中第一个元素（即最左边的字符，也就是最早进入窗口的字符）的键值对，将其从哈希表中移除，同时更新 left 指针，使其指向这个被移除字符的下一个位置，这样就缩小了窗口，使得窗口内再次满足至多包含 k 个不同字符的条件。
if (hashmap.size() == k + 1) {
Map.Entry<Character, Integer> leftmost = hashmap.entrySet().iterator().next();
hashmap.remove(leftmost.getKey());
left = leftmost.getValue() + 1;
}
（三）更新最大长度
在每一次移动指针和调整窗口后，都需要更新最长子串的长度。通过比较当前 max_len 和 right - left 的大小，取较大值更新 max_len 。这里 right - left 表示当前窗口的长度，因为 right 是窗口的右边界（不包含），left 是窗口的左边界，它们的差值就是窗口内字符的数量。不断比较更新，就能确保 max_len 始终记录着满足条件的最长子串长度。
max_len = Math.max(max_len, right - left);
就这样，通过不断地遍历、调整窗口和更新最大长度，最终就能找到给定字符串中至多包含 k 个不同字符的最长子串的长度，看似复杂的过程，在代码的一步步执行下，变得清晰而高效。
四、代码示例：多语言实现
（一）Java 实现
public class LeetCode340 {
public int lengthOfLongestSubstringKDistinct(String s, int k) {
int n = s.length();
// 如果字符串为空或者k为0，直接返回0
if (n * k == 0) return 0;
// 滑动窗口左右指针，初始都指向字符串开头
int left = 0;
int right = 0;
// LinkedHashMap用于存储字符及其在滑动窗口中的最右位置，初始容量设为k + 1
LinkedHashMap<Character, Integer> hashmap = new LinkedHashMap<Character, Integer>(k + 1);
int max_len = 1;
while (right < n) {
Character character = s.charAt(right);
// 如果字符已在哈希表中，先移除再插入，保证其位置最新
if (hashmap.containsKey(character))
hashmap.remove(character);
hashmap.put(character, right++);
// 当哈希表中不同字符数量达到k + 1时，需要调整窗口
if (hashmap.size() == k + 1) {
// 移除最左边的字符，即最早进入窗口的字符
Map.Entry<Character, Integer> leftmost = hashmap.entrySet().iterator().next();
hashmap.remove(leftmost.getKey());
// 更新左指针，使其指向被移除字符的下一个位置
left = leftmost.getValue() + 1;
}
// 更新最长子串的长度
max_len = Math.max(max_len, right - left);
}
return max_len;
}
}
在这段 Java 代码中，通过滑动窗口和 LinkedHashMap 的协同工作，高效地解决了问题。LinkedHashMap的特性使得它既能快速操作元素，又能记住元素插入顺序，方便找到最左边的字符。每次移动指针和调整窗口后，及时更新最长子串长度，确保最终得到正确结果。
五、算法复杂度分析
（一）时间复杂度
时间复杂度方面，需要分情况讨论。在最好的情况下，如果字符串本身包含的不同字符数量不超过 k 个，那么只需要一次遍历就能得到结果，因为 right 指针从左到右依次移动，没有遇到需要频繁调整 left 指针的情况，时间复杂度为 O (N) ，这里的 N 是字符串的长度。然而，在最坏的情况下，当输入字符串包含了 n 个不同字符时，每一次当窗口内的不同字符数量达到 k + 1 个，需要调整 left 指针。而调整 left 指针时，为了找到需要移除的最左边字符，可能需要遍历当前窗口内的所有字符，这一步在最坏情况下每次需要花费 O (k) 的时间，由于 right 指针总共要移动 N 次，所以总的时间复杂度就是 O (Nk) 。这种最坏情况的出现，就像是在一个装满各种杂物的大箱子里，要不断地挑选出特定的几种物品，而且每次挑选都要翻遍几乎整个箱子，非常耗时。
（二）空间复杂度
空间复杂度相对较为直观，主要取决于哈希表所占用的空间。在算法执行过程中，哈希表最多存储 k + 1 个不同的字符及其对应的位置信息，因为一旦哈希表中字符数量达到 k + 1 ，就会触发窗口调整，移除最左边的字符，使得哈希表中的元素数量始终控制在 k + 1 以内。所以，空间复杂度为 O (k) ，这里的 k 是题目给定的参数，表示最多允许的不同字符数量。这就好比我们出门背包，最多装 k + 1 件不同的物品，背包的空间占用取决于这个 k 的大小。通过对时间和空间复杂度的分析，能让我们更全面地了解这个算法的性能，在实际应用中根据需求选择最合适的解法。
六、举一反三：类似题目拓展
掌握了这道题的解法后，我们不妨来看看一些与之类似的题目，进一步拓展思维。
比如 “至多包含 K 种字符的子串数量”，这道题与我们今天讲的题目的联系在于，都是围绕字符串中字符的种类和子串的特性展开。但解法上存在差异，在求解子串数量时，需要在滑动窗口移动过程中，更加细致地统计满足条件的子串出现的次数，每当窗口内字符种类符合条件时，子串数量就要相应增加，这涉及到对窗口内字符变化的更精准把控，不像原题目只需关注最长子串长度。
再如 “找到包含所有出现次数不少于 k 次的字符的最长子串”，它同样利用滑动窗口思想，但重点在于先统计字符出现频次，然后在窗口移动时，确保窗口内不仅字符种类受限，还要满足特定字符的出现次数要求，需要多一层频次判断逻辑，相比之下，今天的题目则聚焦于单纯的字符种类数量。
通过接触这些类似题目，大家可以发现，虽然它们各有难点，但核心的滑动窗口和哈希表等基础方法是相通的，只要掌握了这些基础，再遇到新的变形题，也能逐步拆解，找到解题思路，希望大家在算法学习的道路上越走越远，攻克更多难题。
七、总结
至此，我们通过 “滑动窗口 + 哈希表” 的巧妙组合，成功攻克了 “340. 至多包含 K 个不同字符的最长子串” 这道算法难题。滑动窗口如同精准的探测器，在字符串的世界里快速穿梭，寻找符合条件的子串区域；哈希表则像一位可靠的记录员，清晰地记录字符的出现情况，为窗口的调整提供关键依据。
在学习算法的道路上，遇到困难是常有的事，但每一道难题都是成长的阶梯。希望大家通过这道题的学习，不仅掌握了解题方法，更能体会到算法思维的精妙之处。多练习、多思考、多总结，相信大家在面对其他算法挑战时，也能游刃有余，逐步提升自己的编程能力，向着算法高手的目标奋勇前进，去征服更多未知的算法高峰。
扫一扫
785
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
