3个LeetCode面试真题，晋升利器

▌ 技术引导

你要是真想在LeetCode面试里拿高分，三个真题的实践经验绝对能让你少走弯路。我见过太多人死在这些题上，不是因为不会写代码，而是没抓住题目的核心点，或者在细节上翻车。比如，动态规划和贪心算法的边界条件处理，往往能直接决定你能不能通过所有测试用例。还有那些涉及字符串和数组的题目，拼写错误、循环边界、空指针这些问题，几乎成了面试官的必考项。更重要的是，这些题背后隐藏的底层逻辑，比如空间换时间的策略，或者二分法的精髓，都是面试官在考察你的时间复杂度意识和代码优化能力。别以为自己能写个递归就万事大吉，递归栈溢出的问题有时候比算法实现更致命。所以，我现在要分享的是三个LeetCode面试真题的实战经验，包括代码细节、性能影响、常见问题和替代方案。

我见过一面考了链表和树的题目，加分项不是能否写出正确解法，而是能否在面试中及时识别出问题类型并快速给出解决方案。比如，链表的环检测问题，如果不能在O(1)空间内用快慢指针解决，那就直接拉低分数。再比如，二叉树的遍历问题，如果不知道前序、中序、后序之间的递归转化关系，就容易在面试时手忙脚乱。而且，这些题的解法往往可以拓展到实际开发场景，比如分布式数据结构、缓存优化、内存管理。真正的高手，不是只会背答案，而是知道如何把题目的解法转化成业务场景里的实际代码。

最近见到的几个面试题，比如两数之和、最长子串、最小窗口子串，这些题的解法虽然看似简单，但一旦在代码上出错，就是致命的。我曾经因为没处理好边界条件，导致最长子串的题在测试用例里漏掉了一个关键数据，直接被面试官指出。还有一次，面试官让我解释为什么选择哈希表而不是数组，我答得挺顺，但那道题的测试数据量大到无法用数组处理，哈希表反而成了必须的工具。这些经验告诉我，实战中要时刻注意题目的规模和数据类型，别被表面的简单给骗了。

如果你还在用暴力法解题，那你的表现可能连中等难度都撑不住。比如，两数之和问题，如果不用哈希表而是双重循环，那在面试官眼里你就是“对题意理解不深”。还有，像单词拆分这样的题目，递归和动态规划的结合是关键，否则你根本不知道怎么优化。我见过有的人为了写优雅代码，反而把问题复杂化，结果面试官一问时间复杂度，直接懵了。所以，我更倾向于用最直接的方式解决问题，同时保证代码的稳定性和可读性。真正关键的，是能快速写出正确的解法，而不是写得有多花哨。

有些题目其实是在考你对某些技术点的熟悉程度，比如并查集、字典树、回溯剪枝等等。这些知识点虽然不常见，但一旦出现在面试题里，就是加分项。举个例子，最近我碰到一个面试题是关于岛屿数量的，用DFS或BFS都能解决，但如果用并查集，面试官会对你刮目相看。还有像拓扑排序的问题，如果不能快速写出代码逻辑，就容易在边界处理上出错。这些技术点不是光靠背就能拿分的，得在真实项目中用过，才能在面试中游刃有余。

▌ 技术参考

一 两数之和（哈希表优化）
两数之和是一个基础题，但很多人会犯一个低级错误，就是用双重循环暴力解法。这种情况在面试官眼里就是“没有优化意识”。所以，正确的做法是使用哈希表，把所有数值存在一个字典里，遍历数组时检查目标值是否存在。实际代码里要注意处理重复值的情况，比如当数组中有两个相同的数，且刚好是目标值的一半。这时候，哈希表需要存入第一个数，而检查第二个数是否存在于表中。命令行中，可以使用Python的collections模块中的defaultdict，或者Java的HashMap，但千万别忘记初始化操作，否则会引发空指针错误。
另外，有些情况下，题目会给出数组的范围，这时候可以用数组代替哈希表，速度更快。比如，如果数组元素是0~10^5，那么可以用一个长度为10^5+1的布尔数组来记录是否存在。这种优化方式在实际开发中也经常用，比如缓存的映射和判断。关键点是提前制定边界策略，避免不必要的内存占用。

二 最长无重复子串（滑动窗口）
这个题目考查的是如何高效地处理字符串中的重复字符。如果使用暴力法，时间复杂度是O(n²)，对于长度为10^5的字符串会直接超时。所以，正确的解法是使用滑动窗口，配合哈希表保存字符的位置。在代码里，要维护一个窗口的起始位置start，以及一个字典last_pos记录字符的最后出现位置。每次遇到重复字符时，start更新为max(start, last_pos[current_char] + 1)，这样可以保证窗口内没有重复。很多面试官会故意设置一些边缘情况，比如字符串全由重复字符构成，这时候滑动窗口的处理方式要特别注意。
此外，有些情况下可以用双指针替代哈希表，但效果差一点。如果面试官要求空间复杂度尽可能低，那么考虑用集合代替哈希表，但这样时间复杂度可能会上升。我遇到过一个面试，候选人写了一个双指针版本，但跑了几个测试用例之后，面试官指出其无法处理某些特殊情况，比如字符串中包含多个相同字符，且重复字符出现在窗口中间，这时候需要回溯。这种问题必须提前测试，否则代码会直接爆掉。

三 最小覆盖子串（滑动窗口变体）
这个题比最长无重复子串更复杂，因为它要求覆盖特定字符的最小窗口。使用滑动窗口的前提是理解窗口内字符的统计方式。在代码里，可以使用两个字典，一个记录窗口内字符的出现次数，另一个记录目标字符所需的最小次数。当窗口内所有目标字符都满足数量要求时，再尝试收缩窗口以找到最小长度。最常见的错误是窗口收缩的逻辑不对，比如在满足条件后，没有尝试移动左指针来缩小窗口。
有些题目要求输出所有符合的最小窗口，这时候需要额外的处理逻辑，比如在每次找到更小窗口时，更新结果字符串。此外，还要注意特殊字符的情况，比如空格或者符号，这些在字符串处理时容易被忽略。我见过一个面试，候选人因为漏掉了一个空格，导致结果错误，被面试官直接指出。此外，性能方面，滑动窗口的时间复杂度是O(n)，但如果使用过于复杂的逻辑，比如频繁遍历字典，可能会导致实际运行时间变长，这时候需要引入优化手段，比如用计数器跟踪是否满足条件。

四 二叉树的前序遍历（递归与迭代）
二叉树的前序遍历有递归和迭代两种方式，但面试官更喜欢看到迭代版本。因为递归虽然简单，但容易造成栈溢出。在迭代版本中，要使用栈结构，先压入根节点，然后依次处理左子节点和右子节点。关键点是压栈的顺序，因为前序是根左右，所以先压右再压左，这样出栈顺序才是根左右。我见到过的错误，大多数是栈的顺序搞反，导致遍历结果错误。
如果面试官要求不使用额外空间，那必须用Morris遍历，这种方法利用树的结构，通过修改指针来实现遍历。它的时间复杂度是O(n)，空间复杂度是O(1)，但实现起来相对复杂。代码里要处理很多边界情况，比如空节点、非空子节点、右子节点是否为null等等。这种题目的重点不在于写得多快，而在于写得是否稳定，能否在实际运行中不出现空指针或者逻辑错误。

五 链表环检测（快慢指针）
链表环检测的最常用方法是快慢指针，它们的速度分别是1和2。如果链表中有环，那么快慢指针一定会相遇。这个方法的关键在于如何初始化指针，以及如何处理边界条件。比如，初始时，slow和fast都指向头节点，循环条件是fast和fast.next不为null。但很多人在面试的时候，因为忘记判断fast是否存在next节点，导致空指针错误。
如果面试官要求进一步优化，比如找出环的入口点，那可以用两次快慢指针，第一次找到相遇点，第二次从头开始，以相同速度移动，直到相遇。这个技巧在实际开发中也有用，比如检测死循环或者内存泄漏。不过，如果链表过长，快慢指针可能跑得比较慢，这时候可以考虑用哈希表记录访问过的节点，但这样空间复杂度就变成了O(n)，与题目要求相冲突。所以，必须根据面试官的要求来选择方案。

六 单词拆分（动态规划）
这个题的解法是动态规划，核心在于维护一个布尔数组dp，其中dp[i]表示前i个字符是否能被拆分成单词。初始化时，dp[0] = True，表示空字符串可以被拆分成。然后遍历每个位置i，尝试所有可能的单词长度j，看是否存在一个单词使得dp[i - j]为True。如果存在，就将dp[i]设为True。这个逻辑必须严格遵循，否则会漏掉很多情况。
常见的错误是单词长度的遍历顺序不对，比如应该从1到i遍历，而不是从i到1。此外，单词拆分的题目有时候会带一些隐藏条件，比如不允许重复使用单词，或者必须使用所有单词。这时候，动态规划的逻辑要调整，比如在每次判断时加入状态转移的限制。在实际开发中，这种技巧常用于文本处理、路径规划、状态机等场景，但具体实现要根据业务需求调整。

七 网络拓扑排序（Kahn算法）
网络拓扑排序通常用Kahn算法，即通过不断移除入度为0的节点来实现。这种方法的关键在于如何维护入度数组和邻接表。如果图中存在环，算法会直接返回失败，否则会按顺序输出拓扑序列。实际实现时，要注意队列的处理，比如每次从队列中取出节点后，更新其邻居的入度。
有些情况下，题目会要求输出所有可能的拓扑排序，这时候需要在算法中加入回溯机制。但这种情况下，时间复杂度会变得非常高，甚至无法通过测试。所以，必须根据题目需求选择方案。另外，如果图的节点很多，邻接表的存储方式会比邻接矩阵更高效，尤其是在内存有限的场景下。实际开发中，这种算法常用于依赖关系管理、任务调度、编译器优化等方面。

八 并查集（Union-Find）
并查集的解法常用于岛屿数量、单词拆分、判断图中是否存在环等问题。它的核心是路径压缩和按秩合并。在实现时，需要维护一个父数组和一个秩数组，每次查找父节点时进行路径压缩，优化后续查询。合并时，根据秩的大小选择根节点，避免树的高度增长过快。
很多面试官会设计一个需要频繁合并和查找的场景，这时候并查集的效率就体现出来了。比如，处理大规模数据时，递归实现的并查集可能栈溢出，这时候必须用路径压缩的非递归版本。此外，有些题目会要求路径压缩的实现方式，比如用循环而不是递归，或者用递归但设置递归深度限制。这种问题需要提前测试，确保不会在面试中出错。

九 回溯剪枝（DFS优化）
回溯算法常用于解决组合问题、排列问题、子集问题等。剪枝是关键，比如在搜索过程中，提前判断是否能够达到目标，从而减少不必要的递归。剪枝的条件要根据具体题目设定，比如求数组中的全排列，如果在生成过程中发现某个元素已经被使用，就直接跳过。
在实际开发中，回溯剪枝常用于搜索算法、分治策略、内存管理等场景。比如在文件搜索时，如果能提前判断某个目录下没有符合要求的文件，就可以直接跳过。但需要注意的是，剪枝不能过度，否则会漏掉一些解。我见过有人在回溯过程中把所有条件都当成剪枝条件，导致正确解被过滤掉，这显然是大忌。

十 最长递增子序列（动态规划优化）
最长递增子序列的解法，传统上是O(n²)的动态规划，但在面试中，很多面试官会要求你写出O(n log n)的优化版本。这种优化方式需要使用一个数组来维护当前最长递增子序列的长度。每次遍历一个元素，使用二分查找在数组中找到第一个比当前元素大的位置，替换它。
这个优化方式的关键在于维护数组的单调性，如果数组不是严格递增的，那可能会导致错误。比如，当数组中有相同的元素时，是否允许替换？这时候需要根据题意调整逻辑。在实际开发中，这种技巧常用于排序优化、数据压缩、缓存管理等场景，比如在处理历史数据时，可以快速找到最长递增序列。

十一 二分查找（边界处理）
二分查找是面试中最常见的算法之一，但很多面试官会设置一些陷阱，比如数组中包含重复元素，或者非严格递增序列。这时候，传统的二分查找逻辑会失效，必须修改为处理这些情况的变体。
在代码中，要特别注意循环条件，比如while left <= right，而不是while left < right。此外，在计算mid时，要使用(left + right) // 2，而不是(left + right) / 2，避免整数溢出。如果面试官要求用递归实现，那么必须处理好递归的终止条件和参数传递，否则会陷入无限递归或者栈溢出。这种问题在实际开发中也经常出现，尤其是在处理大量数据时，必须做好边界处理。

十二 矩阵中的路径（回溯+剪枝）
矩阵中的路径问题，比如从起点到终点是否有路径，常使用回溯法。关键点在于维护一个访问标记数组，避免重复访问相同位置。在代码中，可以使用递归或者迭代的方式实现，但递归版本更容易写出错误。比如，忘记标记访问状态，或者在回溯时没有恢复状态，导致后续路径计算错误。
此外，矩阵中的路径问题有时候会要求路径中的字符必须是某个特定的字符串，这时候需要维护一个当前路径字符的字符串，或者直接判断是否匹配目标字符串。这种问题在实际开发中可能涉及路径规划、图遍历、状态转移等场景，但必须注意路径的存储和释放，避免占用过多内存。

十三 常见错误与替代方案
在LeetCode面试中，常见的错误包括边界条件处理不当、时间复杂度不达标、数据类型转换错误等。比如，有些题目要求整数转换，但候选人直接使用字符串拼接，导致结果错误。这时候，必须使用正确的类型转换方式。
替代方案方面，可以考虑不同的数据结构。比如，在处理字符串时，使用Set来替代哈希表，或者使用队列来优化某些算法。但替代方案需要根据题意进行选择，不能盲目替换。如果面试官强调空间复杂度，那么必须优先考虑优化方式，比如用双指针替代哈希表，或者用数组代替链表。

十四 实际开发中的应用
LeetCode面试题背后的技术点，在实际开发中也经常出现。比如，动态规划的思路可以用于任务调度、资源分配、缓存策略等场景。滑动窗口的思路可以用于日志分析、数据流处理、内存优化等。哈希表和集合在处理高频查询问题时非常高效，且代码实现简单。
这些技术点的结合，可以提升代码的性能和可维护性。比如，在数据流中寻找重复数据，可以用哈希表加上滑动窗口的方式，既能保证高效，又能避免内存泄漏。这种实战经验是在面试中加分的关键，因为面试官往往更看重你是否能将基础算法应用到实际业务中。

十五 性能对比与优化
在实际面试中，性能优化是一个重要考量点。比如，使用哈希表时，要确保其初始化和更新逻辑正确，否则会导致额外的时间开销。在处理链表问题时，必须注意指针操作是否正确，否则会引发空指针错误。
此外，某些题目的最优解法可能不是最直观的。比如，单词拆分问题中，回溯法可能被面试官视为低效，而动态规划是更优的解决方案。这种情况下，必须提前测试不同解法的性能，选择最合适的。在实际开发中，这种性能对比的逻辑同样适用，比如在处理大数据量时，必须选择时间复杂度更低的算法。