187. Repeated DNA Sequences

187. Repeated DNA Sequences

题目大意是DNA序列由‘ACGT’4个字符自由组合而成，现在给定一个这种序列字符串，要求判断10个字符串长的连续字串出现次数超过一次的所有情况。

Given s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT",

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

思路：

这道题最原始的思路就是从前往后扫描一遍判断每个长度为10的字符串是否在hash表中已经存在了，如果存在了说明是有重复的，如果是第二次加入hash表（hash表需要记录已经扫描到了这个字符串多少次）则将这个字符串加入到结果中。如果没有在hash表中出现的话，那么将该字符串加入到hash表中。得到一般的思路后就是来优化该现有的思路。该题无论输入字符串怎么组合，基本的元只有四种即ACGT，对应ASCII码：

A: 0100 0001　　C: 0100 0011　　G: 0100 0111　　T: 0101 0100

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。为了提取出后30位，我们还需要用个mask，取值为0x7ffffff，用此mask可取出后27位，再向左平移三位即可。

我们先取前9个字符，每个只取后3位，为了构成连续27位，我们在每个字符取代后3位后向左移动3位。这种机制也保证了每次扫描一个字符后都是该字符及该字符之前10个字符构成的10字符长的新字串进行HASH里的比较。例如，首先我们取出前九个字符AAAAACCCC，根据上面的分析，我们用三位来表示一个字符，所以这九个字符可以用二进制表示为001001001001011011011，然后我们继续遍历字符串，下一个进来的是C，则当前字符为AAAAACCCCC，二进制表示为001001001001011011011011，然后我们将其存入哈希表中，用二进制的好处是可以用一个int变量来表示任意十个字符序列，比起直接存入字符串大大的节省了内存空间，然后再读入下一个字符C，则此时字符串为AAAACCCCCA，我们还是存入其二进制的表示形式，以此类推，当某个序列之前已经出现过了，我们将其存入结果res中即可

代码：

vector<string> findRepeatedDnaSequences(string s) {
vector<string> res;
if(s.size()<=10)return res;
int flag=0x7ffffff;
map<int,int> m;
int i;
int cur=0;
for(i=0;i<9;i++)
    cur=(cur<<3)|(s[i]&7);//获得前9个字符的3bit位
for(i=9;i<s.size();i++)
{
    cur=((cur&flag)<<3)|(s[i]&7);//取第10位
    if(m.find(cur)!=m.end()){
	if(m[cur]==1)res.push_back(s.substr(i-9,10));//超过一次
	++m[cur];
                              }//该字串有
        else {m[cur]=1;}//字符串第一次出现
}
return res;
}