Repeated DNA Sequences

All DNA is composed of a series of nucleotides abbreviated as A, C, G, and T, for example: "ACGAATTCCG". When studying DNA, it is sometimes useful to identify repeated sequences within the DNA.

Write a function to find all the 10-letter-long sequences (substrings) that occur more than once in a DNA molecule.

For example,

Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",

Return:
["AAAAACCCCC", "CCCCCAAAAA"].

由于直接将字符串存入字典会导致Memory Limit Exceeded，采用位操作将字符串转化为整数可以减少内存开销

此题由于构成输入字符串的字符只有四种，分别是A, C, G, T，下面我们来看下它们的ASCII码用二进制来表示：

65 A: 0100 0001　　

67 C: 0100 0011　　

71 G: 0100 0111　　

84 T: 0101 0100

由于我们的目的是利用位来区分字符，当然是越少位越好，通过观察发现，每个字符的后三位都不相同，故而我们可以用末尾三位来区分这四个字符。而题目要求是10个字符长度的串，每个字符用三位来区分，10个字符需要30位，在32位机上也OK。

算法就是：题目要求10个character，首先提取出前9个，然后依次往后扫描, 前面9个char，总共需要用27位bit，那么每次用0x7ffffff，来取出后27位，然后往前shift3位，继续取后面的char的后三位，然后用hashset来统计词是否出现过，如果出现过，那么就加入list中。

取后三位的操作是: s.charAt(i) & 7

最后用hashset来去掉重复，最后再将其转换成list；

public class Solution {
    public List<String> findRepeatedDnaSequences(String s) {
        List<String> list = new ArrayList<String>();
        if(s == null || s.length() <= 10) return list;
        HashSet<Integer> hashset = new HashSet<Integer>();
        HashSet<String> resset = new HashSet<String>();
        int mask = 0x7FFFFFF;
        int cur = 0;
        int i=0;
        while(i<9){
            cur = ((cur<<3) | (s.charAt(i) & 7));
            i++;
        }
        
        while(i<s.length()){
            cur = ((cur & mask) << 3 | (s.charAt(i) & 7));
            i++;
            if(hashset.contains(cur)){
                resset.add(s.substring(i-10, i));
            } else {
                hashset.add(cur);
            }
        }
        return new ArrayList<String>(resset);
    }
}