关于腾讯的那道题截取字符串的题
记得是前阵子去腾讯面试时的那道题，当时用笔我没写出来，就大概说了下思路，今天有空，就写了一下，发现要做到完美还是很麻烦的。
题目是:
假设有"123<em>abc</em>456<em>def</em>789"这么一个字符串,写一个函数，可以传入一个字符串，和一个要截取的长度。返回截取后的结果。
要求:
1 <em>和</em>标记不得计算在长度之内。
2 截取后的字符串，要保留原有<em>标签，不过如果最后有一个标签没有闭合，则去掉其开始标签。
示例:
题中的字符串，要截取长度5，则返回的字符串应该为:123ab,要截取长度8，应返回123<em>abc</em>45。
我的做法大概思路是:
1 首先顺序读取字符串，并用一个resultstr变量来记录所有字符，当发现<标记时，开始将这个子字符串用tag变量记录下来。
2 如果发现tag变量形式为<\w+>也就是html标签的开始标记)，就将其入栈。用栈结构来存储这个标记。若遇到<\/\w+>(html标签的结束标记)，就出栈。
3 否则如果是常规字符的话，长度计数器++。直到与传入的要截取长度相等。
4 最后判断栈是否为空，如果为空，直接返回截取后的字符串，否则，将栈中剩余元素一个个出栈，循环从截取后的字符串中查找栈顶标签元素最后一次出现的位置，返回索引，将这个标签替换为空。直到整个栈为空为止。最后返回处理后的字符串。
原题其实是没有考虑标签嵌套的情况的，我尽量的让程序可以处理嵌套标签，使其更健壮。并且尽量少的去用php的内置函数，因为那样可能会掩盖算法本身。如可以处理a1<p>b2<em>c3</em>d4</p>e5
这种形式的嵌套标签。但我发现如果标签是这种不规则形式a1<p>b2<em>c3d4</p>e5的话，程序就会出问题了。因为我只将取到的结束标记与栈顶的元素相比较，而没有去循环搜索整个栈。这里要改一下其实也可以。
不知大家还有没有其他思路，我感觉我这么做实在是太麻烦了，罗罗嗦嗦一大堆。这么多代码面试时拿笔写非得疯了不可。而且这个时间复杂度不理想，大概为O(n*(n2))。空间方面也占了很多多余的空间。我相信一定有很简单的办法。希望大家一起想想有什么更简单的方法没？
<?php
function mySubstr( $str, $length ){
$tagcnt = 0;
$charcnt = 0;
$tag = '';
$maxlen = strlen( $str );
$resultstr = '';
$tagstack = array();
for( $i = 0; $i < $length; $i++ ){
if( $str[$i] == '<' ){
$resultstr .= $str[$i];
for( $j=$i; $str[$j]!='>'; $j++,$length++ ){
$tag .= $str[$j];
}
$tagcnt++;
$length++;
$tag .= '>';
//如果是开始标记，则入栈，如果是与之相对应的结束标记则出栈
if( preg_match('/<([^\/]+)?>/i', $tag, $r) ){
echo '入栈:',htmlspecialchars($r[1]),'<br />';
array_push($tagstack, $r[1]);
}
elseif( preg_match( '/'.$tagstack[count($tagstack)-1].'/', $tag ) ){
echo '出栈:',htmlspecialchars($tagstack[count($tagstack)-1]),'<br />';
array_pop( $tagstack );
}
$tag = '';
continue;
}
$charcnt++;
$resultstr .= $str[$i];
}
echo '<hr size=1>最后结果为:';
//栈是空的直接返回
if(empty($tagstack)){
return $resultstr;
}
//否则去掉没有结束标记的开始标记
else{
while(!empty($tagstack)){
$tag = array_pop($tagstack);
$index = strrpos($resultstr, $tag);
for($i = $index-1; $resultstr[$i] != '>'; $i++ ){
$resultstr[$i] = '';
}
$resultstr[$i++] = '';
}
return $resultstr;
}
}
$sttime = microtime(true);
$stmem = memory_get_usage();
$str = "a1<body>b2<p>c3<em>d4</em>e5</p>f6</body>g7h8";
echo '处理结果为:<br/><hr size=1>',htmlspecialchars( mySubstr( $str, 18 ) ),'<br />';
echo "内存使用情况:",(memory_get_usage()-$stmem),'<br />';
echo "算法运行时间(microtime):",(microtime(true)-$sttime),'<br/>';
$str = "a1<body>b2<p>c3<em>d4</em>e5</p>f6</body>g7h8";
$arr= preg_split('/(<[^>]*>)/', $str, -1, PREG_SPLIT_OFFSET_CAPTURE);
foreach($arr AS $k => $v)
{
if(isset($arr[$k+1]))
{
$temp= $arr[$k][1] + strlen($arr[$k][0]);
$arr[$k][2]= substr($str, $temp, $arr[$k+1][1] - $temp);
}
}
print_r($arr);
/*
经过这么处理后，字符串变成了由html标签 + 这个标签之前的字符 组成的元素 组成的数组。。如下
Array
(
[0] => Array
(
[0] => a1
[1] => 0
[2] => <body>
)
……
*/
/**
* 函数名 html_substr
* 功能 从html串中截取指定长度的字串，html标记不计算在内
* 参数
* $str 要截取的串
* $len 要截取的长度
* $mode 不匹配的标记的处理方式 0 删去(默认)，1 补齐
* 返回 截取到的串
* 说明
* 未考虑多字节字符，仅已字节做计数单位
* 未考虑可单独存在的标记
**/
function html_substr($str, $len, $mode=0) {
$ar= preg_split('/(<\!--.*-->
[解决办法]
<[^>]*>)/s', $str, -1, PREG_SPLIT_DELIM_CAPTURE);
foreach($ar AS $k => $v) {
if($v{0} != '<') {
$len = $len - strlen($v);
if($len < 0) $ar[$k] = substr($v, 0, $len);
}else $ar[$k] = strtolower($v);
if($len <= 0) break;
}
$ar = array_slice($ar, 0, $k+1);
$len = count($ar);
foreach($ar as $k=>$v) {
if($v{0} == '<' && $v[1] != '/') {
$ch = str_replace('<', '</', $v);
for($i=$k+1; $i<$len && $ar[$i]!=$ch; $i++);
if($i == $len)
if($mode)
$ar[$len] = $ch . $ar[$len];
else
$ar[$k] = '';
}
}
return join('', $ar);
}
$str = "123<em>abc</em>456<em>def</em>789";
echo '<xmp>';
echo html_substr($str, 5) . PHP_EOL;
echo html_substr($str, 5, 1);
$str = "a1<body>b2c3<p><em>d4</em>e</p>5f6</body>g7h8";
$gn = 7;
$i = $j = $k = 0;
while( ($c = $str[$i++]) && $j < $gn )
{
if( $c == '<')
{
$tag = 1;
}
elseif($c == '>')
{
if(trim($tg,'/') == 'em')
{
$tgs[$j-1] = '<'.$tg.'>';
}
else
{
if($tgs[$j-1]) $ogs[$j-1] = '1
[解决办法]
'.'<'.$tg.'>';
else $ogs[$j-1] = '0
[解决办法]
'.'<'.$tg.'>';
}
$tag = 0;
$tg = '';
}
elseif($tag == 1)
{
$tg .= $c;
}
else
{
$tmp[] = $c;
$j++;
}
}
$ts = count($tgs);
if($ts % 2) array_pop($tgs);
foreach($tmp as $k=>$v)
{
$ba = explode('
[解决办法]
',$ogs[$k],2);
if( $tgs[$k] && $ogs[$k])
{
if($ba[0])
{
$s .= $v.$tgs[$k].$ba[1];
}
else $s .= $v.$ba[1].$tgs[$k];
}
else $s .= $v.$tgs[$k].$ba[1];
}
echo htmlspecialchars($s);
//tags : 字符串可能包含的HTML标签
//zhfw : 用来修正中英字宽参数
function wsubstr($str, $length = 0, $suffixStr = "...", $start = 0, $tags = "div
[解决办法]
span
[解决办法]
p", $zhfw = 0.9, $charset = "utf-8"){
//author: lael
//blog: http://hi.baidu.com/lael80
$re['utf-8'] = "/[\x01-\x7f]
[解决办法]
[\xc2-\xdf][\x80-\xbf]
[解决办法]
[\xe0-\xef][\x80-\xbf]{2}
[解决办法]
[\xf0-\xff][\x80-\xbf]{3}/";
$re['gb2312'] = "/[\x01-\x7f]
[解决办法]
[\xb0-\xf7][\xa0-\xfe]/";
$re['gbk'] = "/[\x01-\x7f]
[解决办法]
[\x81-\xfe][\x40-\xfe]/";
$re['big5'] = "/[\x01-\x7f]
[解决办法]
[\x81-\xfe]([\x40-\x7e]
[解决办法]
\xa1-\xfe])/";
$zhre['utf-8'] = "/[\xc2-\xdf][\x80-\xbf]
[解决办法]
[\xe0-\xef][\x80-\xbf]{2}
[解决办法]
[\xf0-\xff][\x80-\xbf]{3}/";
$zhre['gb2312'] = "/[\xb0-\xf7][\xa0-\xfe]/";
$zhre['gbk'] = "/[\x81-\xfe][\x40-\xfe]/";
$zhre['big5'] = "/[\x81-\xfe]([\x40-\x7e]
[解决办法]
\xa1-\xfe])/";
//下面代码还可以应用到关键字加亮、加链接等，可以避免截断HTML标签发生
//得到标签位置
$tpos = array();
preg_match_all("/<(".$tags.")([\s\S]*?)>
[解决办法]
<\/(".$tags.")>/ism", $str, $match);
$mpos = 0;
for($j = 0; $j < count($match[0]); $j ++){
$mpos = strpos($str, $match[0][$j], $mpos);
$tpos[$mpos] = $match[0][$j];
$mpos += strlen($match[0][$j]);
}
ksort($tpos);
//根据标签位置解析整个字符
$sarr = array();
$bpos = 0;
$epos = 0;
foreach($tpos as $k => $v){
$temp = substr($str, $bpos, $k - $epos);
if(!empty($temp))array_push($sarr, $temp);
array_push($sarr, $v);
$bpos = ($k + strlen($v));
$epos = $k + strlen($v);
}
$temp = substr($str, $bpos);
if(!empty($temp))array_push($sarr, $temp);
//忽略标签截取字符串
$bpos = $start;
$epos = $length;
for($i = 0; $i < count($sarr); $i ++){
if(preg_match("/^<([\s\S]*?)>$/i", $sarr[$i]))continue;//忽略标签
preg_match_all($re[$charset], $sarr[$i], $match);
for($j = $bpos; $j < min($epos, count($match[0])); $j ++){
if(preg_match($zhre[$charset], $match[0][$j]))$epos -= $zhfw;//计算中文字符
}
$sarr[$i] = "";
for($j = $bpos; $j < min($epos, count($match[0])); $j ++){//截取字符
$sarr[$i] .= $match[0][$j];
}
$bpos -= count($match[0]);
$bpos = max(0, $bpos);
$epos -= count($match[0]);
$epos = round($epos);
}
//返回结果
$slice = join("", $sarr);//自己可以加个清除空html标签的东东
if($slice != $str)return $slice.$suffixStr;
return $slice;
}
}
如上结构，如果遇到不匹配的情况，flag＋＋，同时开始新的嵌套节点，当flag为0时，开始新的node。到达指定长度后，根据节点重构字符串，如果该node的flag为0，每个node_t的字符串都要加上<>,如果不为0，则都不加上。
重构步骤，根据实际需求确定。
[解决办法]
提供下用C写的思路（PHP不会）：
建立一个结构体
node {
string key; //关键字:em,html,and so on;
int start; //start of the key;
int end; //end of the key;
int length; //the total length of the string:
//node[i+1].length = node[i].length+length;
}node[MAX];
1.首先对各个关键字进行匹配，其实就相当于括号匹配问题：遍历字符串，遇到"<"入栈，此时记录该关键字，以及起始位置：node[i].key、node[i].start；遇到"</"出栈，记录关键字的结束位置：node[i].end; 时间效率：O（N）
2.根据要输出的字符串长度nlength，遍历node.length（2分搜也可以，初始化是就是从小到大的顺序，关键是看关键字数量），可以大概判断出输出字符串到何处结束，如果该节点的node.length > nlength，则该节点的关键字就不输出（因为无法满足关键字的匹配）; 时间效率：O（nlgn）(n为关键字数量 << N)
思路大概就是这样，具体细节就看个人了；
该方法可以实现嵌套的输出；
