有序表，布隆过滤，AC锚点添加 +

ningfeng · ningfeng · commit 7964e19cbbdf · 2020-12-24T09:53:19.000+08:00
diff --git a/docs/22.md b/docs/22.md
@@ -1,20 +1,32 @@
-# 1 如何解决资源限制类题目
+- [1 如何解决资源限制类题目](#1)
+  * [1.1布隆过滤器用于集合的建立与查询，并可以节省大量空间（已讲）](#11)
+  * [1.2 一致性哈希解决数据服务器的负载管理问题（已讲）](#12)
+  * [1.3 利用并查集结构做岛问题的并行计算（已讲）](#13)
+  * [1.4 哈希函数可以把数据按照种类均匀分流](#14)
+  * [1.5 位图解决某一范围上数字的出现情况，并可以节省大量空间](#15)
+  * [1.6 利用分段统计思想、并进一步节省大量空间](#16)
+  * [1.7 利用堆、外排序来做多个处理单元的结果合并](#17)
+    + [1.7.1 题目1（位图和分段统计）：](#171)
+    + [1.7.2 题目2（位图）](#172)
 
-## 1.1布隆过滤器用于集合的建立与查询，并可以节省大量空间（已讲）
+<h1 id='1'>1 如何解决资源限制类题目</h1>
 
-## 1.2 一致性哈希解决数据服务器的负载管理问题（已讲）
+<h2 id='11'>1.1布隆过滤器用于集合的建立与查询，并可以节省大量空间（已讲）</h2>
 
-## 1.3 利用并查集结构做岛问题的并行计算（已讲）
+<h2 id='12'>1.2 一致性哈希解决数据服务器的负载管理问题（已讲）</h2>
 
-## 1.4 哈希函数可以把数据按照种类均匀分流
+<h2 id='13'>1.3 利用并查集结构做岛问题的并行计算（已讲）</h2>
 
-## 1.5 位图解决某一范围上数字的出现情况，并可以节省大量空间
+<h2 id='14'>1.4 哈希函数可以把数据按照种类均匀分流</h2>
 
-## 1.6 利用分段统计思想、并进一步节省大量空间
+<h2 id='15'>1.5 位图解决某一范围上数字的出现情况，并可以节省大量空间</h2>
 
-## 1.7 利用堆、外排序来做多个处理单元的结果合并
+<h2 id='16'>1.6 利用分段统计思想、并进一步节省大量空间</h2>
+
+<h2 id='17'>1.7 利用堆、外排序来做多个处理单元的结果合并</h2>
+ 
+<h3 id='171'>1.7.1 题目1（位图和分段统计）：</h3>
 
-### 题目1（位图和分段统计）：
 
 32位无符号整数的范围是0~4,294,967,295，
 现在有一个正好包含40亿个无符号整数的文件，
@@ -56,8 +68,7 @@
 
 
 
-
-### 题目2（位图）
+<h3 id='172'>1.7.2 题目2（位图）</h3>
 
 32位无符号整数的范围是0~4294967295，现在有40亿个无符号整数，可以使用最多1GB的内存，找出所有出现了两次的数。
 
diff --git a/docs/23.md b/docs/23.md
@@ -1,6 +1,26 @@
-# 1 有序表原理及扩展
-
-## 1.1 搜索二叉树
+- [1 有序表原理及扩展](#1)
+  * [1.1 搜索二叉树](#11)
+  * [1.2 搜索二叉树的增删改查](#12)
+    + [1.2.1 搜索二叉树的查找和添加](#121)
+  * [1.3 传统搜索二叉树存在的问题](#13)
+    + [1.3.1 平衡搜索二叉树](#131)
+    + [1.3.2 左旋和右旋](#132)
+  * [1.4 有序表](#14)
+  * [1.5 有序表的实现（AVL树，SB树，红黑树）](#15)
+    + [1.5.1 AVL树](#151)
+      - [1.5.1.1 AVL树针对某个节点的平衡性处理](#1511)
+    + [1.5.2 SB树](#152)
+      - [1.5.2.1 SB树针对某个节点的平衡性处理](#1521)
+    + [1.5.3 红黑树](#153)
+      - [1.5.3.1 红黑树针对某个节点的平衡性处理](#1531)
+        * [1.5.3.1.1 Redis为什么选择跳表的结构？](#15311)
+  * [1.6 跳表SkipList（也可实现有序表功能）](#16)
+  * [1.7 有序表例题实战](#17)
+    + [1.7.1 哪些情况下需要改写系统的有序表？](#171)
+
+<h1 id='1'>1 有序表原理及扩展</h1>
+
+<h2 id='11'>1.1 搜索二叉树</h2>
 
 经典的搜索二叉树，是没有重复值的，任何节点为头的数，左孩子都比自己小，右孩子都比自己大
 
@@ -15,11 +35,9 @@
 3、如果有重复节点的需求，可以在一个节点内部增加数据项
 
 
+<h2 id='12'>1.2 搜索二叉树的增删改查</h2>
 
-## 1.2 搜索二叉树的增删改查
-
-
-### 1.2.1 搜索二叉树的查找和添加
+<h2 id='121'>1.2.1 搜索二叉树的查找和添加</h2>
 
 - 查找
 
@@ -489,8 +507,7 @@ public class AbstractBinarySearchTree {
 
 ```
 
-
-## 1.3 传统搜索二叉树存在的问题
+<h2 id='13'>1.3 传统搜索二叉树存在的问题</h2>
 
 
 1）基础的搜索二叉树，添加、删除时候不照顾平衡性
@@ -506,13 +523,13 @@ public class AbstractBinarySearchTree {
 平衡二叉树的定义，任何子树，左子树的高度和右子树的高度差，不大于1。所以对于n个节点，平衡二叉树的高度，就是logN
 
 
-### 1.3.1 平衡搜索二叉树
+<h3 id='131'>1.3.1 平衡搜索二叉树</h3>
 
 
 平衡搜索二叉树，就是在插入和删除的过程中，动态的保持平衡性。保持平衡的代价保持在logN。平衡搜索二叉树的实现由很多，红黑树只是其中一种
 
 
-### 1.3.2 左旋和右旋
+<h3 id='132'>1.3.2 左旋和右旋</h3>
 
 左旋和右旋针对头结点而言的，即对哪个头结点进行左旋还是右旋；顾名思义如果对头结点为a的子树右旋，那么a倒到右边，a的左孩子顶上来，到a原来的位置上去。a原来左孩子的右孩子，现在当做a的左孩子，如下图
 
@@ -641,8 +658,7 @@ extends AbstractBinarySearchTree {
 ```
 
 
-
-## 1.4 有序表
+<h2 id='14'>1.4 有序表</h2> 
 
 
 在Java中，就是TreeMap，有序表和Hash表（HashMap）的操作类似，但是有序表中自动把我们的key排好了顺序，我们也可以传入比较器，自定义对比和排序的规则；我们可以通过TreeMap直接得到最大节点和最小节点，也可以获取大于某个值的第一个Key是什么等等
@@ -658,7 +674,7 @@ extends AbstractBinarySearchTree {
 2、使用有序表的Key必须是可以比较的，没法自然比较的需要传入自定义比较器
 
 
-## 1.5 有序表的实现（AVL树，SB树，红黑树）
+<h2 id='15'>1.5 有序表的实现（AVL树，SB树，红黑树）</h2>
 
 在有序表中，有序表是一种规范，类似于接口名。规范为key要按序组织，所有操作要是O(logN)等。各种树结构可以实现有序表的功能。其中红黑树只是有序表的一个实现
 
@@ -688,8 +704,8 @@ AVL树最严格、SB树稍宽松、红黑树最宽松
 
 
 
+<h3 id='151'>1.5.1 AVL树</h3>
 
-### 1.5.1 AVL树
 
 是这三个平衡搜索二叉树中，平衡性最严格的，左树高度和右树高度的绝对值，严格小于2
 
@@ -698,7 +714,8 @@ AVL树在插入节点的时候，只会向上检查节点的平衡性有没有
 ==实质上三种树删除和插入节点，检查哪些节点需要调整平衡都是这样的查找规则，对于删除来说，只有左树和只有右树没影响，如果左右树都存在，是去检查后继节点原来所在的位置向上的平衡性。只是具体到某个节点平衡性的处理上，三种树不一样==
 
 
-#### 1.5.1.1 AVL树针对某个节点的平衡性处理
+<h4 id='1511'>1.5.1.1 AVL树针对某个节点的平衡性处理</h4>
+
 
 1、该节点左树高度和右树高度差的绝对值|L-R|，小于2。不违规，无须调整
 
@@ -1003,7 +1020,7 @@ public class AVLTree extends AbstractSelfBalancingBinarySearchTree {
 ```
 
 
-### 1.5.2 SB树
+<h3 id='152'>1.5.2 SB树</h3>
 
 
 对于平衡性而言，任何叔叔节点的子节点格式，不少于该节点的任何一个侄子节点子节点的个数
@@ -1025,7 +1042,8 @@ e-->g
 
 对于这种约束，也可保证任何节点的左右节点的个数不会有很大悬殊，即使高度不满足严格相减的绝对值小于2，也无伤大雅。整体仍然是O(logN)
 
-#### 1.5.2.1 SB树针对某个节点的平衡性处理
+<h4 id='1521'>1.5.2.1 SB树针对某个节点的平衡性处理</h4>
+
 
 2007年，读高中的时候，承志峰研究出来的；常被用作比赛时，AVL树反而在ACM比赛中使用的相对少点
 
@@ -1705,7 +1723,7 @@ public class Code02_SizeBalancedTreeMap {
 ```
 
 
-### 1.5.3 红黑树
+<h3 id='153'>1.5.3 红黑树</h3>
 
 1、 节点有红有黑
 
@@ -1719,8 +1737,7 @@ public class Code02_SizeBalancedTreeMap {
 从第三点和第四点可以推出，任何长链（黑红交替）和任何段链（都为黑）保证黑一样多，那么长链的长度一定不会比短链长度的二倍还要大。实质上上面条件的目的也是保证最长的链不要比最短的链2倍还多，一定程度上保证了平衡性
 
 
-
-#### 1.5.3.1 红黑树针对某个节点的平衡性处理
+<h4 id='1531'>1.5.3.1 红黑树针对某个节点的平衡性处理</h4> 
  
 红黑树本质上也是搜索二叉树，搜索二叉树怎么增加和删除节点，红黑树相同；同样的加完节点，删除完节点，之后从受影响的节点往上都进行平衡性检查，几种有序表的实现只有检查平衡性的评估指标不同
 
@@ -1744,8 +1761,7 @@ public class Code02_SizeBalancedTreeMap {
 
 红黑树，在（AVL，SB） 和 硬盘的树（B，B+）树之间达到平衡。各有取舍
 
-
-##### Redis为什么选择跳表的结构？
+<h5 id='15311'>1.5.3.1.1 Redis为什么选择跳表的结构？</h5>
 
 Redis为什么选择跳表的结构,而不是AVL和SB树呢，实质上可以选择，但是考虑到redis可能需要对有序表进行序列化的要求，SkipList就是多层的线性结构，比较好序列化。AVL和SB是个结构化的东西，不好序列化；一种技术的选型，需要根据自己的生存状态去选择的
 
@@ -1755,7 +1771,7 @@ Redis为什么选择跳表的结构,而不是AVL和SB树呢，实质上可以选
 
 
 
-## 1.6 跳表SkipList（也可实现有序表功能）
+<h2 id='16'>1.6 跳表SkipList（也可实现有序表功能）</h2>
 
 
 ==最烧脑的结构==
@@ -2050,8 +2066,7 @@ public class Code03_SkipListMap {
 ```
 
 
-
-## 1.7 有序表例题实战
+<h2 id='17'>1.7 有序表例题实战</h2> 
 
 - 例题1
 
@@ -2072,7 +2087,7 @@ public class Code03_SkipListMap {
 整个流程，只需要运用有序表的基本功能，原始的有序表已经能够满足需求，无需改写有序表，用系统实现的即可；
 
 
-### 1.7.1 哪些情况下需要改写系统的有序表？
+<h3 id='171'>1.7.1 哪些情况下需要改写系统的有序表？</h3>
 
 - 例题-leetcode原题
 
diff --git a/docs/24.md b/docs/24.md
@@ -1,10 +1,14 @@
-# 1 AC自动机
+- [1 AC自动机](#1)
+  * [1.1 AC自动机的实现](#11)
+
+<h1 id='1'>1 AC自动机</h1>
+
 
 KMP算法解决的问题是，在一个大字符串中，求目标match串存在还是不存在，最早存在的地方在哪
 
 AC自动机要解决的问题是，在一个文章中，有一些候选字符串，求这个文章中命中了哪些候选串。
 
-## 1.1 AC自动机的实现
+<h2 id='11'>1.1 AC自动机的实现</h2>
 
 为每一个候选串建立一个前缀树，每个树节点都有一个fail指针。头节点fail指针人为规定指向null，第一层节点的fail指针人为规定，指向头节点。建立好前缀树后，宽度优先遍历设置全部的fail指针
 
