C 找出两个相似或不相似的字符串

规则： 2个字符串，a和b，它们都由ASCII字符和非ASCII字符（例如，gbk编码的汉字）组成

例如：

a = "ab中ef日jkl中本"  //non-ASCII chars:'中'(twice), '日'(once), '本'(once)
b = "bej中中日"  //non-ASCII chars:'中'(twice), '日'(once)
c = 'lk日日日'   //non-ASCII chars:'日'(3 times, more than twice in a)

根据规则，b与a相似，但c不同。 我的问题是： 我们不知道a和b中有多少非ASCII字符，可能很多。 所以，为了找出非ASCII字符在a和b中出现的次数，我应该使用哈希表来存储它们的出现时间吗？ 以字符串a为例：

[non-ASCII's hash-value]:[times]
     中's hash-val      : 2
     日's hash-val      : 1
     本's hash-val      : 1

检查字符串b，如果我们在b中遇到一个非ASCII字符，则对其进行哈希并检查a的哈希表，如果该字符出现在a的哈希表中，则其出现时间递减1。 如果出现时间小于0（-1），那么我们说b与a不相似

还是有更好的办法

PS: 我逐字节读取字符串，如果字节小于128，则将其作为ASCII字符，否则将其作为非ASCII字符（多字节）的一部分。 这就是我正在做的，以找出非ASCII字符。

---

是吗？

你问了两个问题：

我们可以使用哈希表计算非ASCII字符吗？回答：当然。在读取字符（而不是字节）时，请检查代码点。对于任何大于127的代码点，将其放入计数哈希表中。也就是说，对于字符c，如果c不在表中，则添加（c，1），如果c已经在表中，则将（c，x）更新为（c，x+1）

有没有更好的方法来解决这个问题，而不是在a中递增计数，在b中递减的方法？如果您的哈希表实现提供了接近O（1）的访问权限，那么我怀疑不会。您只需查看字符串中的每个字符一次，并对每个字符执行哈希表插入或查找、加法或减法，以及对0的检查。对于未排序的字符串，您必须查看两个字符串中的所有字符，因此我认为您给出了最佳解决方案

面试官可能会问你这样的问题：“嗯，如果这些字符串实际上是无法存储在内存中的大型文件，我会怎么做？”或者你会问“字符串是否已排序？因为如果是，我可以更快地完成…”

但是现在让我们假设弦是巨大的。存储在内存中的唯一内容是哈希表。Unicode只有大约100万个代码点，并且每个代码点都存储一个整数计数，因此即使您从千兆字节大小的文件中获取数据，您的哈希表也只需要大约4MB（或者是这个的一个小倍数，因为这会带来开销）

在没有任何其他条件的情况下，您的算法很好。预先对字符串进行排序是不好的；它占用更多内存，并且不是线性时间操作

附录

由于您最初的注释提到了类型

char

，而不是

wchar\u t

，因此我想我应该展示一个使用宽字符串的示例。看

希望有帮助

附录2

好的，这是一个C程序，它精确地显示了如何通过宽字符串并在字符级别工作：

这是一个非常短的程序，因此我也将其粘贴到这里：

#include <stdio.h>
#include <string.h>
#include <wchar.h>

char *s1 = "abd中日";
wchar_t *s2 = L"abd中日";

int main() {
    int i, n;
    printf("length of s1 is %d\n", strlen(s1));
    printf("length of s2 using wcslen is %d\n", wcslen(s2));
    printf("The codepoints of the characters of s2 are\n");
    for (i = 0, n = wcslen(s2); i < n; i++) {
        printf("%02x\n", s2[i]);
    } 
    return 0;
}

我们能从中学到什么？有几件事：

如果对CJK字符使用纯旧

字符

，则字符串长度将错误

要在C中使用Unicode字符，请使用

wchar\t

对于宽字符串，字符串文字有一个前导的

L

在本例中，我定义了一个带有CJK字符的字符串，并使用了

wchar\u t

和一个带有

wcslen

的for循环。请注意，我使用的是实字符，而不是字节，因此我得到了正确的字符数，即5。现在我打印出每个代码点。在面试问题中，您将查看代码点是否为

=

128。我用十六进制显示了它们，文化也是如此，因此您可以查找

0x7F.：-）

附录3

这本书中的一些笔记值得一读。与上面的简单示例相比，字符处理有更多的内容。在下面的评论中，J.F.塞巴斯蒂安给出了一些其他重要的链接

---

需要解决的少数几件事情之一是正常化。例如，你的面试官是否关心当给出两个字符串时，一个只包含一个字母，另一个包含一个C，后面跟着一个组合标记CEDILLA，它们是否相同？它们表示相同的字符，但一个使用一个代码点，另一个使用两个。

除非知道编码，否则无法逐字节读取字符串。如果字符串作为真实的字符串呈现给您，那么编码已经为您完成。你的意思是“一个字符一个字符地读取字符串，如果字符的代码点小于128，那么它就是ASCII。”你的例子假设

=

，但规则只说“大于”，即

@raytoal，我要做的是：for（int i=0；ichar（与

wchar\t

）保证用1个字节表示，但我们都知道Unicode提供了超过一百万个字符，因此某些编码使用超过一个字节来表示字符。现代语言倾向于允许程序员一个字符接一个字符

#include <stdio.h>
#include <string.h>
#include <wchar.h>

char *s1 = "abd中日";
wchar_t *s2 = L"abd中日";

int main() {
    int i, n;
    printf("length of s1 is %d\n", strlen(s1));
    printf("length of s2 using wcslen is %d\n", wcslen(s2));
    printf("The codepoints of the characters of s2 are\n");
    for (i = 0, n = wcslen(s2); i < n; i++) {
        printf("%02x\n", s2[i]);
    } 
    return 0;
}

length of s1 is 9
length of s2 using wcslen is 5
The codepoints of the characters of s2 are
61
62 
64
4e2d
65e5