LeetCode 3. 无重复字符的最长子串

题目描述

给定一个字符串 s，找出其中不含有重复字符的最长子串 的长度。题目链接

示例

• 输入: s = "abcabcbb"，输出: 3（最长无重复子串为 "abc"）
• 输入: s = "bbbbb"，输出: 1（最长无重复子串为 "b"）
• 输入: s = "pwwkew"，输出: 3（最长无重复子串为 "wke"）

解法一：滑动窗口（长度维护法）

思路：利用哈希表记录字符最后出现的索引，通过维护「以当前字符结尾的无重复子串长度」动态调整窗口边界。

class Solution:
    def lengthOfLongestSubstring(self, s: str) -> int:
        ans = pre = 0  # ans记录最长长度，pre记录当前子串长度
        m = {}  # 存储字符最后出现的索引
        for k, v in enumerate(s):
            pre = min(pre + 1, k - m.get(v, -1))  # 调整当前子串长度
            ans = max(ans, pre)  # 更新最长长度
            m[v] = k  # 记录当前字符的最新位置
        return ans

关键点解析：

• pre = min(pre + 1, k - m.get(v, -1))：

• • 若字符未重复，子串长度+1；若重复，则收缩窗口至重复字符的下一位
  • min 操作确保窗口左边界不回退

• 时间复杂度：O(n)，每个字符仅遍历一次
• 空间复杂度：O(m)，m为字符集大小（最坏存所有不同字符）

解法二：滑动窗口（边界维护法）

思路：直接维护窗口左边界，确保窗口内无重复字符，通过「当前索引-左边界」计算窗口长度。

class Solution:
    def lengthOfLongestSubstring(self, s: str) -> int:
        m = {}  # 存储字符最后出现的索引
        pre, ans = -1, 0  # pre为窗口左边界（不包含），ans为最长长度
        for i, v in enumerate(s):
            pre = max(pre, m.get(v, -1))  # 左边界不回退
            ans = max(ans, i - pre)  # 计算当前窗口长度
            m[v] = i  # 记录当前字符的最新位置
        return ans

关键点解析：

• pre = max(pre, m.get(v, -1))：

• • 若字符重复，左边界移动至重复字符的下一位；否则保持原边界
  • max 操作确保左边界不回退

• 窗口长度直接由 i - pre 计算，逻辑更直观
• 时间/空间复杂度与解法一一致

两种解法对比

维度	解法一（长度维护）	解法二（边界维护）
核心变量	pre 表示当前子串长度	pre 表示窗口左边界（不包含）
边界控制	min(pre+1, k-m[v])	max(pre, m[v])
长度计算	隐式在 pre 中更新	显式通过 i-pre 计算
代码可读性	较简洁，但逻辑需要结合子串长度理解	更直观，直接对应滑动窗口模型

优化拓展

1. 字符集限制：若已知字符集（如ASCII），可用长度256的数组替代字典，提升常数性能
2. 边界处理：空字符串直接返回0（两解法均已自动处理）
3. 极端测试用例：

• • 全重复字符（如"aaaaa"）→ 输出1
  • 无重复字符（如"abcdefg"）→ 输出长度n
  • 回文字符串（如"abba"）→ 输出2（子串"ab"或"ba"）

总结

两解法均为滑动窗口的经典实现，通过哈希表记录字符位置实现O(n)时间复杂度。解法二通过直接维护窗口边界，代码逻辑更贴近滑动窗口的直观理解，是更推荐的实现方式。在面试中，此类解法能体现对线性时间算法和空间换时间思想的掌握。