查找算法

阅读目录 一 介绍 二 索引的原理 三 索引的数据结构 四 聚集索引与辅助索引 五 MySQL索引管理 六 测试索引 七 正确使用索引 八 联合索引与覆盖索引 九 查询优化神器-explain 十 慢查询优化的基本步骤 十一 慢日志管理 一 介绍 为何要有索引? 一般的应用系统，读写比例在10:1左右，而且插入操作和一般的更新操作很少出现性能问题，在生产环境中，我们遇到最多的，也是最容易出问题的，还是一些复杂的查询操作，因此对查询语句的优化显然是重中之重。说起加速查询，就不得不提到索引了。 什么是索引？ 索引在MySQL中也叫做“键”，是存储引擎用于快速找到记录的一种数据结构。索引对于良好的性能 非常关键，尤其是当表中的数据量越来越大时，索引对于性能的影响愈发重要。 索引优化应该是对查询性能优化最有效的手段了。索引能够轻易将查询性能提高好几个数量级。 索引相当于字典的音序表，如果要查某个字，如果不使用音序表，则需要从几百页中逐页去查。 30 10 40 5 15 35 66 1 6 11 19 21 39 55 100 你是否对索引存在误解？ 索引是应用程序设计和开发的一个重要方面。若索引太多，应用程序的性能可能会受到影响。而索引太少，对查询性能又会产生影响，要找到一个平衡点，这对应用程序的性能至关重要。一些开发人员总是在事后才想起添加索引----我一直认为

1、二分查找 二分搜索是一种在有序数组中查找某一特定元素的搜索算法。搜索过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜索过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。如果在某一步骤数组为空，则代表找不到。这种搜索算法每一次比较都使搜索范围缩小一半。 # 返回 x 在 arr 中的索引，如果不存在返回 -1 def binarySearch (arr, l, r, x): # 基本判断 if r >= l: mid = int(l + (r - l)/2) # 元素整好的中间位置 if arr[mid] == x: return mid # 元素小于中间位置的元素，只需要再比较左边的元素 elif arr[mid] > x: return binarySearch(arr, l, mid-1, x) # 元素大于中间位置的元素，只需要再比较右边的元素 else: return binarySearch(arr, mid+1, r, x) else: # 不存在 return -1 # 测试数组 arr = [ 2, 3, 4, 10, 40 ] x = 10 # 函数调用 result = binarySearch(arr, 0, len(arr)-1, x) if result != -1

假如你运营在线商城又或是大型电商网站，图片优化是你必需求把握的。不仅仅是从招引潜在顾客，仍是添加图片查找流量，又或是提高网站加载速度，图片优化扮演者十分要害的人物。但说到图片优化，许多传统意义上的SEO人会说，图片要加alt标签，图片要紧缩…这样的粗线条显然是不行的。今日我就和我们深化共享一下图片优化有必要了解的8个知识点。 用结构化数据写产品图片ALT 我们很简略运用照相机默许的图片编号作为图片们的命名，这样的话关于查找引擎来说，或许就没有方法辨识图片的内容，然后我们就失去了从图片查找那块儿带来的流量，这是十分惋惜的，特别是当你的产品有数以万计的话。一般我们能够拟定结构化数据规则让技术人员设计程序批量替换图片的alt特点，而无需我们手工操作。 我们要考虑一下，访客的查找习气是什么？会查找哪些要害词？最好能够再看一下谷歌统计里边的要害词数据，看看有无遗失。基本上来说，访客更倾向于查找品牌词+产品系列的词组组合和变化，那么alt标签的结构化规则就出来了，能够写为：alt=”{品牌词}{产品系列}-{产品型号}”。关于产品图片的描绘来说，不主张写过多冗余内容，坚持数据结构化，做到要害词辨识度高，要害词信息丰厚就能够了，千万不要做要害词堆积。 图片拍照视点问题 基本上拍照产品相片不会只拍一个视点，访客必定不会满足于只有一张正面照

阅读目录 1. 二叉树 2. 二叉查找树 3. 平衡二叉树 3.1 平衡查找树之AVL树 3.2 平衡二叉树之红黑树 4. B树 5. B+树 6. B*树 7. Trie树 　　数据结构中有很多树的结构，其中包括二叉树、二叉搜索树、2-3树、红黑树等等。本文中对数据结构中常见的几种树的概念和用途进行了汇总，不求严格精准，但求简单易懂。 回到顶部 1. 二叉树 　　二叉树是数据结构中一种重要的数据结构，也是树表家族最为基础的结构。 二叉树的定义： 二叉树的每个结点至多只有二棵子树(不存在度大于2的结点)，二叉树的子树有左右之分，次序不能颠倒。二叉树的第i层至多有2 i-1 个结点；深度为k的二叉树至多有2 k-1 个结点；对任何一棵二叉树T，如果其终端结点数为n 0 ，度为2的结点数为n 2 ，则n 0 =n 2 +1。 二叉树的示例 ： 满二叉树和完全二叉树： 　　满二叉树：除最后一层无任何子节点外，每一层上的所有结点都有两个子结点。也可以这样理解，除叶子结点外的所有结点均有两个子结点。节点数达到最大值，所有叶子结点必须在同一层上。 　　满二叉树的性质： 　　1) 一颗树深度为h，最大层数为k，深度与最大层数相同，k=h; 　　2) 叶子数为2 h ; 　　3) 第k层的结点数是：2 k-1 ; 　　4) 总结点数是：2 k-1 ，且总节点数一定是奇数。 　　完全二叉树

1 概述 二叉搜索树，顾名思义，其主要目的用于搜索，它是二叉树结构中最基本的一种数据结构，是后续理解B树、B + 树、红黑树的基础，后三者在具体的工程实践中更常用，比如C++中STL就是利用红黑树做Map，B树用于磁盘上的数据库维护等，后三者均是在二叉搜索树的基础上演变而来的，理解二叉搜索树是学习后者的基础。 与基础的数据结构如链表、堆、栈等基本结构一样，学习二叉搜索树的关键是深入理解访问与操作二叉树的算法及性能分析，本文如下部分首先介绍二叉搜索树的特征；然后重点介绍二叉搜索树的遍历、查找（包括最值查找、前驱后继查找）、以及插入和删除等操作，最后简单进行分析。 2 二叉搜索树的定义及操作 二叉树很简单，表示每个节点最多有两个子节点，二叉搜索树则更作了更近一步的要求，其必须满足如下性质： 设x为二叉搜索树中的一个节点，如果y是x左子树的一个节点（ 注：不是直接子节点，是左子树的所有节点 ），则y.key <= x.key；如果y是x右子树的一个节点，则y.key >= x.key 分析：二叉树本身具有固定的结构，上述规定对二叉树中节点之间的关系进行限制，即赋予了二叉树特定的语义，只要满足二叉树的这种语义，就可以直接根据二叉树结构特征更高效地进行查询搜索等操作 如下图1所示： 图1: 二叉搜索树例子 2.1 二叉搜索树的遍历 树的遍历有三种：先序遍历、中序遍历、后序遍历。 先序遍历

MySQL如何使用索引 索引用于快速查找具有特定列值的行。 没有索引，MySQL必须从第一行开始，然后通读整个表以找到相关的行。 桌子越大，花费越多。 如果表中有相关​​列的索引，MySQL可以快速确定要在数据文件中间查找的位置，而不必查看所有数据。 这比顺序读取每一行要快得多。 大多数MySQL索引（ PRIMARY KEY ， UNIQUE ， INDEX 和 FULLTEXT ）存储在 B树 。 例外：空间数据类型的索引使用R树； MEMORY 表还支持 哈希索引 ; InnoDB 对 FULLTEXT 索引 使用倒排列表 。 通常，如以下讨论中所述使用索引。 第8.3.8节“ B树和哈希索引的比较” MEMORY 中介绍了 哈希索引特有的特性（如 表中所 用 ） 。 MySQL使用索引进行以下操作： WHERE 快速 查找与 子句 匹配的行 。 从考虑中消除行。 如果可以在多个索引之间进行选择，MySQL通常会使用找到最少行数的 索引 （最具 选择性的 索引）。 如果表具有多列索引，则优化器可以使用索引的任何最左前缀来查找行。 例如，如果你有一个三列索引上 (col1, col2, col3) ，你有索引的搜索功能 (col1) ， (col1, col2) 以及 (col1, col2, col3) 。 有关更多信息，请参见 第8.3.5节“多列索引” 。

一、Java中的hashCode和equals 1、关于hashCode hashCode的存在主要是用于查找的快捷性，如Hashtable，HashMap等，hashCode是用来在散列存储结构中确定对象的存储地址的 如果两个对象相同，就是适用于equals(java.lang.Object) 方法，那么这两个对象的hashCode一定要相同 如果对象的equals方法被重写，那么对象的hashCode也尽量重写，并且产生hashCode使用的对象，一定要和equals方法中使用的一致，否则就会违反上面提到的第2点 两个对象的hashCode相同，并不一定表示两个对象就相同，也就是不一定适用于equals(java.lang.Object) 方法，只能够说明这两个对象在散列存储结构中，如Hashtable，他们“存放在同一个篮子里“ 再归纳一下就是hashCode是用于查找使用的，而equals是用于比较两个对象的是否相等的。 以下对hashCode的解读摘自其他博客： 1.hashcode是用来查找的，如果你学过数据结构就应该知道，在查找和排序这一章有 例如内存中有这样的位置 0 1 2 3 4 5 6 7 而我有个类，这个类有个字段叫ID,我要把这个类存放在以上8个位置之一，如果不用hashcode而任意存放，那么当查找时就需要到这八个位置里挨个去找，或者用二分法一类的算法。

之前同事问了一道需要点脑洞的算法题，我觉得蛮有意思的，思路可能会给大家带来一些启发，特意在此记录一下 题目 现有一个元素仅为 0，1 的 n 阶矩阵，求连续相邻(水平或垂直，不能有环)元素值为 1 的序列和的最大值 假设有如下矩阵 则此矩阵连续相邻元素为 1 的序列和分别为 4， 3，（如图示），可知这个矩阵序列和的最大值为 4 解题思路 要算序列和的最大值，我们可以先找出所有可能的序列和，然后取其中的最大值,那怎么找这些序列呢？ 首先我们发现，每个序列的起点和终点必然是 1，我们可以遍历矩阵的每一个元素，如果元素值为 1，则将其作为序列的起点开始查找所有以这个元素为起点的序列，我们知道序列是可以向垂直和水平方向延伸的，所以我们可以以这个元素为起点，查找它的上下左右值为 1 的元素，再以找到的这些元素为起点，继续在元素的上下左右查找值为1的元素（递归），如果找不到符合条件的值，则序列终止，在遍历过程中保存每条序列遍历的元素，即可知晓每条序列的元素和，从而求得序列和的最大值 文字说得有点绕，接下来我们就以查找以下矩阵的最大序列和为例来详细看一下如何查找最大序列和 从左到右，从上到下遍历所有值为 1 的元素，第一个符合条件的元素在右上角，所以以这个元素为起点来查找序列 以这个元素为起点，查找这个元素上下左右为值为 1 的元素，发现只有这个元素下面的元素符合条件

目录 学号20182323 2019-2020-1 《数据结构与面向对象程序设计》第8周学习总结 教材学习内容总结 教材学习中的问题和解决过程 代码调试中的问题和解决过程 代码托管 结对及互评 点评模板： 点评过的同学博客和代码 学习进度条 参考资料 目录 学号20182323 2019-2020-1 《数据结构与面向对象程序设计》第8周学习总结 教材学习内容总结 第13章 查找与排序 查找 线性查找:属于无序查找算法。从序列一端开始，顺序扫描，依次将扫描到的结点关键字与给定值k相比较，若相等则表示查找成功；若扫描结束仍没有找到关键字等于k的结点，表示查找失败。 ps：设置哨兵可提高查找效率（设第一个为哨兵，用n记录当前位置，遍历整个序列后弹出的条件为“n==0”） 二分法查找 说明：元素必须是有序的，如果是无序的则要先进行排序操作。 基本思想：用给定值k先与中间结点的关键字比较，中间结点把线形表分成两个子表，若相等则查找成功；若不相等，再根据k与该中间结点关键字的比较结果确定下一步查找哪个子表，这样递归进行，直到查找到或查找结束发现表中没有这样的结点。 查找总结： 排序 插入排序： 将待插元素，依次与已排序好的子数列元素从后到前进行比较，如果当前元素值比待插元素值大，则将移位到与其相邻的后一个位置，否则直接将待插元素插入当前元素相邻的后一位置，因为说明已经找到插入点的最终位置

20182328 2019-2020-1 《数据结构与面向对象程序设计》第八周学习总结 教材学习内容总结 查找 查找的概念：查找是在一组项内找到指定目标或是确定目标不存在的过程 线性查找：从数组表头开始，依次将某个值与目标元素比较，最后找到目标或者目标不存在于数组中 核心代码 private static int search(int[] arr, int key) { int index = -1; int i = 0; for (int n : arr) { if (n==key){ index=i; break; } i++; } return index; } 二分查找：将表中间位置的元素与目标元素比较，如果两者相等，则查找成功；否则利用中间位置将表分成前、后两个子表，如果中间位置元素大于目标元素，则进一步查找前一子表，否则进一步查找后一子表。 核心代码 public static int search(int[] nums, int num) { int low = 0; int high = nums.length - 1; while (low <= high) { int mid = (low + high) / 2; if (num > nums[mid]) { low = mid + 1; } else if (num < nums[mid]) { high =