JAVA面试题分享一百零一：红黑树平衡二叉树优缺点和应用场晕？判断二叉树是否对称？

前言

面试过程中，多多少少会问一点数据结构（二叉树）的问题，今天我们来复习一下二叉树的相关问题，文末总结。

一. 二叉树的由来

在 jdk1.8 之前，HashMap 的数据结构由「数组+链表」组成，数组是 HashMap 的主体，链表是为了解决 Hash 冲突引入的，正常的数据存放是直接存在数组中，但如果发生 Hash 冲突就会以链表的形式进行存储，而在 jdk1.8之后，当链表的长度超过 8 之后，将会转换成红黑树经常存储...

相信这一段 HashMap 的描述，一定是大家所熟知的，其实细品之后，我们可以从这段描述中发掘这些信息。

数组 > 链表 > 树。

正所谓有需求就会有发展，我们来看看为什么在有「数组+链表」的情况下，还出来个树结构。

数组优点：

• 简单易用，随机访问性强
• 无序数组插入速度很快，效率为O1
• 有序数组查找速度较快，效率为O(logN)

数组缺点：

• 插入和删除效率低
• 数组大小固定，无法动态扩容

链表优点：

• 大小不固定，无限扩容
• 插入和删除速度很快

链表缺点：

• 查询效率低，不支持随机查找，必须从第一个开始遍历
• 在链表非表头的位置进行插入、删除很慢，效率为O(N)

从数组到链表的优缺点，我们可以看出是各有千秋，不能很准确的说链表比数组就一定要高效，而正是因为这种关系的存在，所以二叉树出现了。

所以二叉树的由来：二叉树整合了数组和链表的优缺点，使得插入、删除、查找的速度都很快，效率比较高。

二. 二叉树是什么

二叉树是树形结构的一个重要类型，也是众多数据结构的基石。

树有很多类型，每个节点最多只能有两个子节点的叫二叉树。

所以，二叉树的特性就是每个节点的子结点不允许超过两个。

三. 二叉查找树

二叉查找树是一种特殊的二叉树，二叉查找树的特点就是，左子树节点比父节点小，右子树节点值比父节点大。

极端现象

二叉查找树有一种极端的存在，二叉树的大部分子节点都比父节点值小，然后导致所有的数据偏向左侧，进而退化成链表，如下图所示：

我们使用二叉树的目的是因为其效率高于链表查询，但这种退化为链表的现象很显然就突兀，怎么办呢。

所以为了解决二叉树退化成一棵链表就引入了平衡二叉树。

四. 平衡二叉树

平衡二叉树，又被称为AVL树，是为了解决二叉树退化成一棵链表而诞生的。

平衡二叉树特点：

• 拥有二叉查找树的全部特性。
• 每个节点的左子树和右子树的高度差至多等于1。

其中左右子树的高度差是通过左旋右旋实现的。

下面是一个平衡二叉树和非平衡二叉树的图：

到底是如何判断高度差的呢？我们可以来数节点最长连接数，比如左侧节点最长连接数为「3 > 4 > 5」3个节点，右侧为「9」一个节点，所以高度差为2。

再比如下面一个平衡二叉树：

左侧最长连接点为「3(9) > 7 >11」，即高度为2，右侧最长连接点为「14(16) > 15 > 18 > 11」，即高度为4，所以高度差为2。

为了维持二叉树的平衡，平衡二叉树是通过左旋、右旋来保证的，从大的方向旋转过程又被分为单旋转和双旋转，总之，旋转的作用就是避免出现节点偏向一边的情况，具体左旋、右旋操作在这就不详细阐述了。

但是平衡二叉树这种高度差为 1 的要求太严格了，尤其是对于频繁删除、插入的场景非常浪费时间...

五. 红黑树

对于那种频繁删除、插入的场景，平衡二叉树的调整过程显然是存在性能问题的，所以为了解决这个问题，进而又引入了红黑树。

红黑树的特点：

• 具有二叉树所有特点。
• 每个节点只能是红色或者是黑色。
• 根节点只能是黑色，且黑色根节点不存储数据。
• 任何相邻的节点都不能同时为红色。
• 红色的节点，它的子节点只能是黑色。
• 从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。

红黑树如下图所示：

概括为：红黑树所有的根节点都是黑色的的空节点，也就是根节点不存数据；任何相邻的节点都不能同时为红色，红色节点是被黑色节点隔开的，每个节点，从该节点到达其可达的叶子节点是所有路径，都包含相同数目的黑色节点。

正是因为这种特点，红黑树不同于平衡树的操作，红黑树不会因为插入、删除等操作追求绝对的平衡，它的旋转次数少，插入最多两次旋转，删除最多三次旋转，所以对于搜索、插入、删除操作较多的情况下，红黑树的效率是优于平衡二叉树的。

但是需要注意的是，如果应用场景中对插入、删除不频繁，只是对查找要求较高，那么平衡二叉树还是较优于红黑树。

六. 优缺点和使用场景

红黑树和平衡二叉树都是常用的自平衡二叉查找树，它们在数据结构和算法中有着重要的应用。以下是它们各自的优缺点以及应用场景：

红黑树：

优点：

1. 红黑树具有良好的平衡性，树的高度保持较小，因此查找效率较高。
2. 红黑树对于插入和删除操作，不易打破树的平衡性，相对效率更高。
3. 红黑树对于查找、插入和删除等操作的时间复杂度都为O(log n)，其中n为树中节点的数量。

缺点：

1. 红黑树的实现比较复杂，需要遵守红黑树的特性。按规则调整树结构会带来额外的时间消耗。

应用场景：

1. 数据库系统的B+树索引：红黑树可以作为B+树的基础数据结构，用于实现数据库索引，提高查询效率。
2. 各种语言的SortedMap、TreeMap等集合类实现：红黑树可以作为这些集合类的底层数据结构，实现高效的数据存储和查找。

平衡二叉树：

优点：

1. 平衡二叉树的时间复杂度仍为O(log N)，查找、插入和删除性能较好。相比一般的二叉搜索树，树的高度可以保持较小，查找路径较短。
2. 平衡二叉树具有较好的平衡性，可以避免二叉搜索树退化为链表的情况。

缺点：

1. 平衡二叉树的实现也较复杂，需要进行树的旋转操作来达到平衡。旋转操作会带来一定时间消耗，效率略低于红黑树。
2. 每次增删几乎都会破坏左子树与右子树高度差<=1的原则，需要左旋或者右旋，使得性能大打折扣。

应用场景：

1. 早期的数据库系统和集合类的实现：平衡二叉树在早期被广泛应用于数据库系统和集合类的实现中，但现已逐渐被红黑树取代。
2. 其他需要自平衡二叉树结构的应用，但性能要求不如红黑树高：在一些对性能要求不特别高的场景中，平衡二叉树仍然是一种可用的数据结构选择。例如，在一些简单的排序和搜索问题中，平衡二叉树可以提供较好的解决方案。

总的来说，红黑树相比平衡二叉树在时间和空间复杂度上有一定优势，实现也更加复杂全面，所以现在更加流行。但平衡二叉树仍有一定应用价值，比较简单的场景下可以采用。

七. 总结

1、为什么有了数组和链表还要引入二叉树？

针对数组和链表的优缺点，无法说链表一定优于数组，或者是数组一定优于链表，因为某些长期的需要，所以就推出一个相对折中的二叉树。

2、为什么有了二叉树还要引入平衡二叉树？

有了二叉树还不算完，二叉树有一种极端的情况，就是所有的子结点偏向一端，二叉树退化成链表，这就相当于我选择了这种的二叉树，你现在罢工不干了，找了个链表来糊弄我...

所以为了解决二叉查找树退化为链表的情况，引入了平衡二叉树，即：

平衡二叉树是为了解决二叉树退化成一棵链表而诞生的。

既然有了平衡二叉树，这下总没有问题了吧？

3、为什么有了平衡二叉树还要引入红黑树？

但是是实际使用过程中，因为平衡二叉树追求绝对严格的平衡关系，显然这个规则在于频繁的插入、删除等操作的情景性能肯定会出现问题...

所以为了解决这个问题，进而又引入了红黑树。

平衡二叉树追求绝对严格的平衡，平衡条件必须满足左右子树高度差不超过1，红黑树是放弃追求完全平衡，它的旋转次数少，插入最多两次旋转，删除最多三次旋转，所以对于搜索、插入、删除操作较多的情况下，红黑树的效率是优于平衡二叉树的。

4、红黑树是终结吗？

时代总是进步的，大胆猜测不会是，就跟当初从数组、链表到二叉树一样。

至此，通过这篇希望大家对整个树结构的出现有一个基础的概念，目前面试中最为常问的就是红黑树了，当然这得益于 HashMap，但红黑树还有挺多其他的知识点可以考察，例如红黑树有哪些应用场景？红黑树与哈希表在不同应该场景的选择？红黑树有哪些性质？红黑树各种操作(插入删除查询)的时间复杂度是多少？

八. 判断二叉树是否对称？

给你一个二叉树的根节点 root ， 检查它是否轴对称。

示例1：

输入：root = [1,2,2,3,4,4,3]
输出：true

示例 2：

输入：root = [1,2,2,null,3,null,3]
输出：false

解法

如果你熟练写二叉树的先序、中序、后序遍历的递归写法套路，再看这题，可能一时不太能想到思路。

我一开始做这道题就是这样，我会将注意力放在一个节点上，尝试在上面写出花来。

但对这题来说并不受用，一开始或许可以对比根节点的左右子节点，但左右子节点的后稷的子节点就不好取出来对比了。

对于这题，我们需要给递归函数，传入两个节点。

function isSymmetric(root) {
  if (!root) return true;
  return compare(root.left, root.right);
};

function compare(left, right) {
  if (!left && !right) return true;
  if (!left || !right) return false;
  return left.val === right.val &&
    compare(left.left, right.right) &&
    compare(left.right, right.left);
}

compare 递归函数接收两个节点，如果这两个节点对称，返回 true，否则返回 false。

首先是 left 和 right 都为 null 的情况，属于对称，返回 null。

null 的情况需要在最前方判断，因为后面我们要使用 left.val 的语法，如果 left 是 null，会报错。

然后就是 left 或 right 其中一个为 null 另一个不为 null 的情况。

因为前面的 if (!left && !right) return true; 如果不符合条件，代码往后走时，left 和 right 至少有一个不为 null。所以只要有 left 或 right 有一个 null，就说明一个为 null 一个不为 null，说明不对称，返回 false。

if (!left && !right) return true;
// 代码能运行到这里，说明 left 和 right 至少有一个为 null
if (!left || !right) return false;

如果你想更容易理解，可以改成这样子：

if (!left && !right) return true;
// 下面代码没有利用上面的条件判断
if (left && !right) return false;
if (!left && right) return false;

最后 left 和 right 都不为 null 的情况，我们需要对比以下节点

• left 和 right
• left.left 和 right.right
• left.right 和 right.left

当这些都为 true 的话，递归函数就返回 true；否则返回 false。

这里的 && 操作符支持短路运行，当前面的条件不符合，后面的函数就不会执行，起到剪枝的效果。