百度笔试题2

1、写一段程序，找出数组中第k大小的数，输出数所在的位置。例如{2，4，3，4，7}中，第一大的数是7，位置在4。第二大、第三大的数都是4，位置在1、3随便输出哪一个均可。
函数接口为：int find_orderk(const int* narry,const int n,const int k)

Answer：另外使用一个数组b[]记录原来的数据，再使用堆排序，进行k次堆排序，然后输出堆顶的元素。将该元素输m出后，在b[]中遍历查找m的位置，然后输出

 

 

2、 对任意输入的正整数N，编写C程序求N!的尾部连续0的个数，并指出计算复杂度。如：18！＝6402373705728000，尾部连续0的个数是3。  （此题10分  ）

 （不用考虑数值超出计算机整数界限的问题） 

 

Answer：（采用数组a[M]记录N！的每一位，a[0]放置该数字的长度，然后遍历整个数组，计算尾部连续的0的个数。）

http://blog.csdn.net/sailor_8318/archive/2008/10/17/3088162.aspx

Baidu和EMC的笔势题：对任意输入的正整数N，编写C程序求N!的尾部连续0的个数，并指出计算复杂度。如：18！＝6402373705728000，尾部连续0的个数是3。（不用考虑数值超出计算机整数界限的问题） 

 

 

思路分析：

 

本题要用数学的方法来解决效率最高，连续K个0，则说明是10^K的倍数，即(2×5)^ K= 2^K× 5^K；待求的数为N*(N-1)(N-2)………1，由于每两个数至少可以分解出1个2，2肯定比5多，因此K的个数取决于上式的分解因子中有几个5的问题；能拆解出5的只可能是5的倍数，而能拆解出多少个5则看这个数是5的几次方的倍数了

方法一：

 

 

int ZerosForN_1(int n)

{

        int fives,result=0,i;

        for(fives=5; n >=fives; fives+=5)      // 循环次数为n/5

        {      

                for(i=fives; i%5==0; i/=5) // 此处的最大循环次数为 LOG5(N)

                {

                       ++result;      

                }

        }

        //printf("%d/n",result);

    return result;

 

}

for循环的算法复杂度最容易看出来，就是for循环的次数，最大循环次数为n/5 * LOG5(N) ，因此复杂度是O（nlogn）的

思路最清晰，即对于每个5的倍数的值，求其可被5整除的次数，即可求出最后5的因子个数和

方法二：

int ZerosForN_2(int n)

{

       int pow5,result=0;

        for(pow5=5; n >=pow5; pow5*=5) // 此处的循环次数为LOG5(N)

        {

                result+=n / pow5;

        }

        //printf("%d/n",result);

    return result;

}

N不变，pow5以5的幂递增，此算法的思想是求出N以内所有被5整除的数的个数，所有被25整除的个数（在5的基础上多出了一个5因子），所有被125整除的个数（在25的基础上多出了一个5因子）。。。。

设最大数为N,

设5^(n+1)  > N  >= 5^n

[N/5] + [N/(5^2)] + [N/(5^3)] + ... + [N/(5^n)] 即为连续0的个数

上述式子的项数为log5(N)，即为循环的次数，故复杂度为log5(N)

方法三：

[N/5] + [N/(5^2)] + [N/(5^3)] + ... + [N/(5^n)]

=[N/5] + [[N/5]/5] + [ [[N/5]/5]/5] + ... + [。。。]

=A1+ [A1/5] + [A2/5] + ... + [An-1/5]

即上述各项构成等比数列，An=An-1/5，等比为1/5

 

即对A1反复除5，只要其大于0，即相加，便得到以下算法：

int ZerosForN_3(int n)

{

    int result=0;

    n/=5;  // A1

    while(n >0

        {

        result += n; //求和

        n/=5;         // 求An

    }

        //printf("%d/n",result);

    return result;

}

等比数列的项数为log5(N)，即为循环的次数，故复杂度为log5(N)

 

3、   编写一个C语言函数，要求输入一个url，输出该url是首页、目录页或者其他url 

     如下形式叫做首页： 

     militia.info/ 

     www.apcnc.com.cn/ 

     http://www.cyjzs.comwww.greena888.com/ 

     www.800cool.net/ 

     http://hgh-products.my-age.net/ 

     如下形式叫做目录页： 

     thursdaythree.net/greenhouses--gas-global-green-house-warming/ 

     http://www.mw.net.tw/user/tgk5ar1r/profile/ 

     http://www.szeasy.com/food/yszt/chunjie/ 

     www.fuckingjapanese.com/Reality/ 

  （ 此题10分）

     请注意： 

     a） url有可能带http头也有可能不带 

     b）动态url（即含有"？"的url）的一律不算目录页，如： 

     www.buddhismcity.net/utility/mailit.php?l=/activity/details/3135/ 

     www.buddhismcity.net/utility/mailit.php?l=/activity/details/2449/ 

     另：如果你会linux，请用linux下的grep命令实现第2题的功能（附加5分）。 

 

Answer：

http://hi.baidu.com/cuifenghui/blog/item/bea757435238a0129213c609.html

/***********************************************

描述: 编写一个C语言函数，要求输入一个url，输出该url是首页、目录页或者其他url 

   如下形式叫做首页： 

   militia.info/ 

  www.apcnc.com.cn/ 

  http://www.cyjzs.comwww.greena888.com/ 

  www.800cool.net/ 

  http://hgh-products.my-age.net/ 

   如下形式叫做目录页： 

   thursdaythree.net/greenhouses--gas-global-green-house-warming/ 

  http://www.mw.net.tw/user/tgk5ar1r/profile/ 

  http://www.szeasy.com/food/yszt/chunjie/ 

  www.fuckingjapanese.com/Reality/ 

  

   请注意： 

   a） url有可能带http头也有可能不带 

   b）动态url（即含有"？"的url）的一律不算目录页，如： 

  www.buddhismcity.net/utility/mailit.php?l=/activity/details/3135/ 

  www.buddhismcity.net/utility/mailit.php?l=/activity/details/2449/ 

  

   另：如果你会linux，请用linux下的grep命令实现第2题的功能（附加5分）。

 

   思路: 经观察，首页类的url中之多含有3个/(http头的//和末尾的/),或者只含有1个

   /(没有http头),而目录类的url所含的个数至少为2个(此时不含http头)或至少4个(此时

   包含http头)。如果url中出现?则视为动态网页，归类为其他网页。

 

   作者: xiaocui

   时间: 2007.9.12

   版本: v1.0

 

   **************************************************************************/

 

#include <iostream>

#include <string>

using namespace std;

 

string result[3] = {"首页","目录页","其他页"};

 

string   getCategory(string url)

{

//首先判断是否是动态网页

if ( strchr(url.c_str(),'?') != NULL )

{

   return   result[2];

}

 

bool   isHttp; //是否包含http头

if ( strstr(url.c_str(), "http://") != NULL )

{

   isHttp = true;

}

else

{

   isHttp = false;

}

 

if ( isHttp == true )

{

   char* buff = new char[url.size()-7]; //去除http://和最后的/

   int i;

   for(i=0; i<url.size()-8; ++i)

   {

    buff[i] = url[7+i];

   }

   buff[i] = '/0';

   if ( strchr(buff,'/') == NULL )

   {

    delete[] buff;

    return result[0];

   }

   else

   {

    delete[] buff;

    return result[1];

   } 

}

else

{

   char* buff = new char[url.size()+1];

   strcpy(buff,url.c_str());

   buff[strlen(buff)-1] = '/0'; //去除最后的/

   if ( strchr(buff,'/') == NULL )

   {

    delete[] buff;

    return   result[0];

   }

   else

   {

    delete[] buff;

    return   result[1];

   }

}

}

 

int main()

{

cout << "请输入url: ";

string url;

cin >> url;

cout << "url类型为: " <<getCategory(url) << endl;

 

return 0;

}

 

 

 

 

 

 

 

4、 如果必须从网页中区分出一部分"重要网页"（例如在10亿中选8亿），比其他网页更值得展现给用户，请提出一种方案。（此题40分）

     假设有10亿网页已经被我们存下来，并提供如下信息：网页全文（即网页的源码）、全文长度、网页正文（即网页中提取的主体文字）、  正文长度，以及其他网页提取物等，现在希望去掉其中的重复网页，请提出可行的方案，计算出每个网页对应的重复度，你可以自己  
对网页重复下定义，也可以提出需要哪些更多的网页提取物来实现更好的去重复方案

 

Answer:

http://topic.csdn.net/u/20080523/15/2df34173-58a4-4c36-9438-de1ec8b9cb14.html

1)如果必须从网页中区分出一部分"重要网页"（例如在10亿中选8亿）

PageRank

Lz 说道去掉其中的重复网页

计算相似度，投到向量空间上去，计算夹角

这些都是考Sense的，你若能提出完美的解决方案，百度不去也罢，基本可以自己搞了。

就是，有些公司面试会拿一些公司目前还在设计的算法，群策群力，从中找到一些思想

你可以自己对网页重复下定义——如果想到优秀的算法，有个更好的定义，就可以自己搞了

怀疑这种题不是测试题，就是他们内部的算法需求。

2) http://bbs.chinaunix.net/viewthread.php?tid=983568&page=2

网页除重，根据不同的应用，考虑到效率，又不同的办法。

如果数据量小，可以用词频相似度的办法。Sim(A,B)=2   *   same(A,B)/(|A|+|B|),

为了提高速度，可以先对所有文档建立词级的倒排索引表，记录长度表。这样输入一篇新的文档，求与它相似的所有文档的时候，就不需要>把输入文档与库中记录一一比较。只需要切词，检索，索引归并，截取，就能找到所有相似文章。可以用title来做，也可以用content来做。>这种方法的复杂度几乎为常数。

对于垂直领域的搜索，这种种方法是足够了。

如果数据量实在太庞大。目前只有关键词签名法，最长句子签名法。（对于通用搜索引擎）

 

首先，网页去重分为链接去重和内容去重。链接是否重复可以使用布隆过滤器，内容去重可以使用向量空间模型，计算两个网页的夹角；也可以提取网页的适当内容，然后判断这些内容是否相似来判断两个个网页的重复读。