\x1b’ ） • 127 表示 DEL 键（‘ \x7f’ ）等 • 0~31 和 127 这些整数，就构成了 ASCII 码中控制字符的部分。 关于控制字符的一个冷知识 • 在 Linux 命令行中启动 cat 。 • 试试按 Ctrl+R ， Ctrl+E ， Ctrl+C 等一系列 组合键，看到出现了什么？ • 可以看到显示的字符变成了 ^R ^E ^C 等… … • 这是 Unix 只有 3 字节， wchar_t 的 4 字节有一个字节总是为 0 的），这会导致现有的 C 语言函数用不了，例如 strlen(s) 现在总是会返回 3 了。 • 因此 C 语言为了适应这个变化，推出了专门针对 wchar_t 的 wcslen 、 wcscpy 、 wmemset 等函数。 • Windows 也赶紧推出 LoadLibraryA 和 LoadLibraryW 两个版本，分别伺候喜欢 wstring_view 。 u8“ 字符” s 会得到 u8string 。 实验代码（ course/15/09/a.cpp ） 实验代码（ course/15/09/b.cpp ） Linux 命令行实验 Linux 命令行实验 字符串应用实战（作业） 第 10 章 课后作业 • 输入是一个文本文件 a.txt ： • 1 xxx • 4 yyyyyyy • 3 zzzz • 2 wwwww •

辑器中， 制表符可能会被自动替换掉，请自行确保在 Makefile 中的缩进是由制表符完成的。 如果你还不知道 Makefile 的使用也没有关系，本教程中不会构建过于复杂的代码，简单的 在命令行中使用 clang++ -std=c++2a 也可以阅读本书。 如果你是首次接触现代 C++，那么你很可能还看不懂上面的那一小段代码，即： [out = std::ref(std::cout << stored_value == 1, 而 value == 100. // 因为 copy_value 在创建时就保存了一份 value 的拷贝 } 2. 引用捕获 与引用传参类似，引用捕获保存的是引用，值会发生变化。 void lambda_reference_capture() { int value = 1; 34 3.1 Lambda 表达式 第 3 章语言运行期的强化 auto copy_value 优化导致程序出错的情况 产生疑惑。例如，布尔值 notified 没有被 volatile 修饰，编译器可能对此变量存在优化，例如将其作 为一个寄存器的值，从而导致消费者线程永远无法观察到此值的变化。这是一个好问题，为了解释清楚 这个问题，我们需要进一步讨论从 C++ 11 起引入的内存模型这一概念。我们首先来看一个问题，下面 这段代码输出结果是多少？ #include

写在前面 hello‑algo.com 5 Figure 0‑4. 运行代码示例 第一步：安装本地编程环境。参照附录教程，如果已有可直接跳过。 第二步：下载代码仓。如果已经安装 Git ，可以通过命令行来克隆代码仓。 git clone https://github.com/krahets/hello-algo.git 当然，你也可以点击“Download ZIP”直接下载代码压缩包，本地解压即可。 A 比算法 B 运行时间更短；但换到另一台配置不同的计算机中，可能会得到相反的测试结果。这意味着我们需要在各种机 器上展开测试，而这是不现实的。 展开完整测试非常耗费资源。随着输入数据量的大小变化，算法会呈现出不同的效率表现。比如，有可能输入 数据量较小时，算法 A 运行时间短于算法 B ，而在输入数据量较大时，测试结果截然相反。因此，若想要达 到具有说服力的对比结果，那么需要输入各种体 如果遇到看不懂的地方无需担心， 可以在学习完后面章节后再来复习，现阶段先聚焦在理解时间复杂度含义和推算方法上。 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 对于以下算法，无论操作数量 size 有多大，只要与数据大小 ? 无关，时间复杂度就仍为 ?(1) 。 // === File: time_complexity.cpp === /* 常数阶

写在前面 hello‑algo.com 5 Figure 0‑4. 运行代码示例 第一步：安装本地编程环境。参照附录教程，如果已有可直接跳过。 第二步：下载代码仓。如果已经安装 Git ，可以通过命令行来克隆代码仓。 git clone https://github.com/krahets/hello-algo.git 当然，你也可以点击“Download ZIP”直接下载代码压缩包，本地解压即可。 A 比算法 B 运行时间更短；但换到另一台配置不同的计算机中，可能会得到相反的测试结果。这意味着我们需要在各种机 器上展开测试，而这是不现实的。 展开完整测试非常耗费资源。随着输入数据量的大小变化，算法会呈现出不同的效率表现。比如，有可能输入 数据量较小时，算法 A 运行时间短于算法 B ，而在输入数据量较大时，测试结果截然相反。因此，若想要达 到具有说服力的对比结果，那么需要输入各种体 如果遇到看不懂的地方无需担心， 可以在学习完后面章节后再来复习，现阶段先聚焦在理解时间复杂度含义和推算方法上。 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 对于以下算法，无论操作数量 size 有多大，只要与数据大小 ? 无关，时间复杂度就仍为 ?(1) 。 // === File: time_complexity.cpp === /* 常数阶

A 的运行时 间比算法 B 短；但在另一台配置不同的计算机中，我们可能得到相反的测试结果。这意味着我们需要在各种 机器上进行测试，而这是不现实的。 展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，输入数据量较小时， 算法 A 的运行时间可能短于算法 B；而输入数据量较大时，测试结果可能相反。因此，为了得到有说服力的 结论，我们需要测试各种规模的输入数据，这样需要占用大量的计算资源。 到不理解的部分，请不要担 心，可以在学习完后面章节后再回顾。现阶段，请先专注于理解时间复杂度的含义和推算方法。 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 对于以下算法，尽管操作数量 size 可能很大，但由于其与数据大小 ? 无关，因此时间复杂度仍为 ?(1) 。 2. 复杂度 hello‑algo.com 20 // === File: 对于密码学的相关应用，哈希算法需要满足更高的安全标准，以防止从哈希值推导出原始密码等逆向工程， 包括： ‧ 抗碰撞性：应当极其困难找到两个不同的输入，使得它们的哈希值相同。 ‧ 雪崩效应：输入的微小变化应当导致输出的显著且不可预测的变化。 请注意，“均匀分布”与“抗碰撞性”是两个独立的概念，满足均匀分布不一定满足抗碰撞性。例如，在随机 输入 key 下，哈希函数 key % 100 可以产生均匀分布的输出。然而该哈希算法过于简单，所有后两位相等的

时间比算法 B 短；但在另一台配置不同的计算机中，可能得到相反的测试结果。这意味着我们需要在各种机 器上进行测试，统计平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 < 阶乘阶 第 2 章 复杂度分析 hello‑algo.com 33 图 2‑9 常见的时间复杂度类型 1. 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 在以下函数中，尽管操作数量 size 可能很大，但由于其与输入数据大小 ? 无关，因此时间复杂度仍为 ?(1) ： // === File: time_complexity.cpp === 基于链表可实现：栈、队列、哈希表、树、堆、图等。 链表在初始化后，仍可以在程序运行过程中对其长度进行调整，因此也称“动态数据结构”。数组在初始化后 长度不可变，因此也称“静态数据结构”。值得注意的是，数组可通过重新分配内存实现长度变化，从而具备 一定的“动态性”。 Tip 如果你感觉物理结构理解起来有困难，建议先阅读下一章，然后再回顾本节内容。 3.2 基本数据类型 当谈及计算机中的数据时，我们会想到文本、图片、视频、语音、3D

运行时间比算法 B 短；但在另一台配置不同的计算机中，我们可能得到相反的测试结果。这意味着我们需要 在各种机器上进行测试，统计平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 更少；而输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < 指数阶 < 阶乘阶 图 2‑9 常见的时间复杂度类型 1. 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 第 2 章 复杂度分析 hello‑algo.com 31 在以下函数中，尽管操作数量 size 可能很大，但由于其与输入数据大小 ? 无关，因此时间复杂度仍为 ?(1) ： // === 存储在同一链表中。图 6‑5 展示了一个链式地址哈希表的 例子。 第 6 章 哈希表 hello‑algo.com 117 图 6‑5 链式地址哈希表 哈希表在链式地址下的操作方法发生了一些变化。 ‧ 查询元素：输入 key ，经过哈希函数得到数组索引，即可访问链表头节点，然后遍历链表并对比 key 以 查找目标键值对。 ‧ 添加元素：先通过哈希函数访问链表头节点，然后将节点（即键值对）添加到链表中。

时间比算法 B 短；但在另一台配置不同的计算机中，可能得到相反的测试结果。这意味着我们需要在各种机 器上进行测试，统计平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 < 阶乘阶 第 2 章 复杂度分析 hello‑algo.com 33 图 2‑9 常见的时间复杂度类型 1. 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 在以下函数中，尽管操作数量 size 可能很大，但由于其与输入数据大小 ? 无关，因此时间复杂度仍为 ?(1) ： // === File: time_complexity.cpp === 同一链表中。图 6‑5 展示了一个链式地址哈希表的 例子。 图 6‑5 链式地址哈希表 第 6 章 哈希表 hello‑algo.com 122 基于链式地址实现的哈希表的操作方法发生了以下变化。 ‧ 查询元素：输入 key ，经过哈希函数得到桶索引，即可访问链表头节点，然后遍历链表并对比 key 以查 找目标键值对。 ‧ 添加元素：首先通过哈希函数访问链表头节点，然后将节点（键值对）添加到链表中。

现就会更好。也 就是说，算法在不同的机器上的测试结果可能是不一致的。这意味着我们需要在各种机器上进行测试，统计 平均效率，而这是不现实的。 另一方面，展开完整测试非常耗费资源。随着输入数据量的变化，算法会表现出不同的效率。例如，在输入 数据量较小时，算法 A 的运行时间比算法 B 短；而在输入数据量较大时，测试结果可能恰恰相反。因此，为 了得到有说服力的结论，我们需要测试各种规模的输入数据，而这需要耗费大量的计算资源。 阶乘阶 第 2 章 复杂度分析 www.hello‑algo.com 33 图 2‑9 常见的时间复杂度类型 1. 常数阶 ?(1) 常数阶的操作数量与输入数据大小 ? 无关，即不随着 ? 的变化而变化。 在以下函数中，尽管操作数量 size 可能很大，但由于其与输入数据大小 ? 无关，因此时间复杂度仍为 ?(1) ： // === File: time_complexity.cpp === 基于链表可实现：栈、队列、哈希表、树、堆、图等。 链表在初始化后，仍可以在程序运行过程中对其长度进行调整，因此也称“动态数据结构”。数组在初始化后 长度不可变，因此也称“静态数据结构”。值得注意的是，数组可通过重新分配内存实现长度变化，从而具备 一定的“动态性”。 Tip 如果你感觉物理结构理解起来有困难，建议先阅读下一章，然后再回顾本节内容。 3.2 基本数据类型 当谈及计算机中的数据时，我们会想到文本、图片、视频、语音、3D

CMake 。 • 现代 CMake 和古代 CMake 相比，使用 更方便，功能更强大。 为什么要学习现代 CMake ？ 现代 CMake ： 古代 CMake ： 第 0 章：命令行小技巧 传统的 CMake 软件构建 / 安装方式 • mkdir build • cd build • cmake .. • make -j4 • sudo make install 目录再切换进去再指定源码目录的麻烦。 • cmake --build build 统一了不同平台（ Linux 上会调用 make ， Windows 上调用 devenv.exe ） • 结论：从现在开始，如果在命令行操作 cmake ，请使用更方便的 -B 和 --build 命令。 // 在源码目录用 -B 直接创建 build 目录并生成 build/Makefile // 自动调用本地的构建系统在 build 因此，如果发现一个项目里的 add_library 都是无参数的，意味着你可以用 ： cmake -B build -DBUILD_SHARED_LIBS:BOOL=ON 来让他全部生成为动态库。稍后会详解命令行传递变量的规则。 小技巧：设定一个变量的默认值 要让 BUILD_SHARED_LIBS 默认为 ON ，可以用下图这个方法： 如果该变量没有定义，则设为 ON ，否则保持用户指定的值不变。 这样当用户没有指定