无重复字符的最长子串

无重复字符的最长子串

无重复字符的最长子串题目是LeetCode的第三题，描述如下：

给定一个字符串，请你找出其中不含有重复字符的 最长子串 的长度。

示例 1:

输入: “abcabcbb”
输出: 3
解释: 因为无重复字符的最长子串是 “abc”，所以其长度为 3。

示例 2:

输入: “bbbbb”
输出: 1
解释: 因为无重复字符的最长子串是 “b”，所以其长度为 1。

示例 3:

输入: “pwwkew”
输出: 3
解释: 因为无重复字符的最长子串是 “wke”，所以其长度为 3。
请注意，你的答案必须是 子串 的长度，“pwke” 是一个子序列，不是子串。

分析

准确的分析题目的问题，才是解决问题的关键。

1. 问题：给定一个字符串，请你找出其中不含有重复字符的 最长子串 的长度。
2. 关键点：输入是字符串（String），输出是长度（Number），代码逻辑是找出不含重复字符的最长子串。因为输出的是长度，那么在算法过程中就只需要比较长度大小就可以。
3. 注意：子串与子序列不同，子串是必须连续的，区别见实例3的解释。

思路

1. 蛮力法

我们先使用蛮力法的来思考这个问题，先找到所有的子串，再从子串中找到满足条件的最长子串。以"abcb"为例来分析，思路如下：

1. 刚刚分解出三个条件，先从容易的子串开始，会分解为"a"、"b"、"c"、"b"、"ab"、"bc"、"cb"、"acb"、"bcb"、"abcb"；
2. 去掉重复的子串和含重复字符的子串，就剩下"a"、"b"、"c"、"ab"、"bc"、"cb"、"acb"；
3. 最后找到最长的子串"abc"，返回长度3；

在这个思路中，长度为n的字符串会分解成 n + (n - 1) + (n - 2) + ... + 1 = (n + 1) * n / 2 个子串。 在去掉含有重复字符的子串时，循环的次数（子串的数量 * 子串的长度）大大的增加。总的来说，蛮力法不仅要使用更多的空间来存储中间的变量，时间复杂度也会很高，代码实现起来也很麻烦。

2. 滑动窗口算法

蛮力法的特点在于遍历所有满足要求的结果集合，从中找到得到符合的结果。那有没有办法不用遍历所有的子串也能找到题目要求的结果呢？

当然是有的，这个方法就是滑动窗口算法，此算法通过改变起止下标方式在列表上寻找符合条件子列表。把子列表看成是一个窗口，当起止下标同时变大同样大小，那这个窗口就像在滑动；当起止下标改变不一样的时候，窗口不仅在滑动，窗口的大小也在改变。

使用条件

使用这个算法需要同时满足两个条件：

1. 线性数据结构；
2. 结果来自于连续的子序列

本题的问题寻找字符串的最长子串，字符串中的字母可以通过下标的方式取得，因此字符串可以看成是数组或链表，满足第一个条件；子串是连续的字符，正好也满足第二个要求（如果问题是最长子序列，那动态规划就是比较好的方案了）。

只要满足上面两个条件，就可以使用滑动窗口的算法了。但是本题的话，还需要注意的就是窗口的大小。由于不知道最长子串具体的长度，那窗口的大小就是动态变化的。在编写代码的时候，尤其要注意窗口大小变化的条件，这也是最容易犯错的地方。

应用场景

在leetcode中出现的题目，也可以使用滑动窗口算法解决的题目有：3. 无重复字符的最长子串、219.存在重复元素II、209.长度最小的子数组、438. 找到字符串中所有字母异位词。当然还有很多别的题目也可以使用这个算法，就不一一列举了。

另外，学过网络的同学，应该知道TCP的流量控制中也有滑动窗口算法的使用，有兴趣的同学可以点击了解一下。

代码实现

滑动窗口实现（固定大小窗口）

由于我们并不知道满足条件的最长子串的长度是多少，所以无法确定窗口的大小。既然需要求解的是最大值，我们可以将窗口设置成输入字符串的长度，找到第一个满足所有字符只出现过一次的子串。

逻辑如下：

1. 如果字符串的长度为1或者是0，直接返回它的长度；
2. 用一个循环来控制窗口的大小，每一次循环完就减少窗口大小1；
3. 在字符串上截取窗口大小的子串；
4. 从子串的第一个字符，一直到最后一个字符，判断是否该字符出现的次数。如果出现次数大于1，则窗口滑动1；否则判断是否是最后一个字符，是的话就可以返回这个子串的长度，否的话判断下一个字符；

代码实现如下：

class Solution(object):
    def lengthOfLongestSubstring(self, s):
        subStr = ''
		l = len(s)
        ww = l
		if l == 0 or 1 == 1:
			return l
		# 控制窗口大小变化
        for i in range(0, ww):
			# 窗口宽度为ww, 窗口滑动范围
            for j in range(0, l - ww + 1):
                subStr = s[j:j + ww]
				# 判断当前字符在子串出现次数
                for c in subStr:
                    if subStr.count(c) > 1:
                        break
                    elif subStr.index(c) == len(subStr) - 1:
                        return len(subStr)
			ww = ww - 1

时间复杂度：上述代码实现用了3个for循环，加上subStr.count这个方法，时间复杂度是O(n⁴)

空间复杂度：存储变量的空间始终没变，所以空间复杂度是O(1)

这个代码有个地方是可以改进的。在子串中发现有一个字符出现多次，直接滑动窗口1。如果改成直接滑动到重复字符最后一次出现的地方，速度当然还是会快一些的。不过，这个操作还是没有改变时间复杂度。

滑动窗口实现（动态大小窗口）

在上面的思路中，窗口的大小在一次循环中是固定，我们可以考虑一下窗口大小动态变化的方案。最开始窗口大小是1，如果下一个字符与子串中的不重复就可以添加到子串里，重复的话窗口大小就变成重复字符下一个一直到子串末尾，然后再添加字符。每一次字符改变的时候，记录下最大的长度就好。具体过程如下：

下面的例子以字符"pwwkew"来分析，设输入字符为s，当前下标为i，当前子串为subStr、最大长度为maxLength。

1. 读取字符s.index(i)，判断s.index(i)是否存在于subStr中，如果存在转2，否则转3；
2. 将s.index(i)添加到subStr末尾；
3. subStr截取自出现重复字符下标的下一位直到子串的末尾，执行2，比如说当前子串是"pw"，读取到"w"，则是将"pw"截取w的下一位；
4. 重复操作1直到读取完字符串

具体步骤见下图：

class Solution(object):
    def lengthOfLongestSubstring(self, s):
        subStr = ''
        maxLength = 0
        for c in s:
            if c not in subStr:
                subStr+=c
            else:
                # 当出现重复字符时才计数，减少计数次数
                mx = max(maxLength, len(subStr))
                subStr = subStr[subStr.index(c) + 1:] + c
        # 当出现重复字符时才计数，减少计数次数
        maxLength = max(maxLength, len(subStr))
        return maxLength

时间复杂度：一层for循环，外加判断字符是否出现在字符串里，所以时间复杂度是O(n²)

空间复杂度：存储变量的空间始终没变，所以空间复杂度是O(1)