LeetCode 题解工作台
在系统中查找重复文件
给你一个目录信息列表 paths ，包括目录路径，以及该目录中的所有文件及其内容，请你按路径返回文件系统中的所有重复文件。答案可按 任意顺序 返回。 一组重复的文件至少包括 两个 具有完全相同内容的文件。 输入 列表中的单个目录信息字符串的格式如下： "root/d1/d2/.../dm f1.tx…
3
题型
5
代码语言
3
相关题
当前训练重点
中等 · 数组·哈希·扫描
答案摘要
我们创建一个哈希表 ，其中键是文件内容，值是具有相同内容的文件路径列表。 接下来，我们遍历 ，对于每个路径，我们将其分割成目录路径和文件信息。对于每个文件信息，我们提取出文件名和文件内容，并将文件路径添加到哈希表 中对应文件内容的列表中。
Interview AiBoxInterview AiBox 实时 AI 助手，陪你讲清 数组·哈希·扫描 题型思路
题目描述
给你一个目录信息列表 paths ，包括目录路径，以及该目录中的所有文件及其内容，请你按路径返回文件系统中的所有重复文件。答案可按 任意顺序 返回。
一组重复的文件至少包括 两个 具有完全相同内容的文件。
输入 列表中的单个目录信息字符串的格式如下：
"root/d1/d2/.../dm f1.txt(f1_content) f2.txt(f2_content) ... fn.txt(fn_content)"
这意味着，在目录 root/d1/d2/.../dm 下，有 n 个文件 ( f1.txt, f2.txt ... fn.txt ) 的内容分别是 ( f1_content, f2_content ... fn_content ) 。注意：n >= 1 且 m >= 0 。如果 m = 0 ，则表示该目录是根目录。
输出 是由 重复文件路径组 构成的列表。其中每个组由所有具有相同内容文件的文件路径组成。文件路径是具有下列格式的字符串：
"directory_path/file_name.txt"
示例 1：
输入：paths = ["root/a 1.txt(abcd) 2.txt(efgh)","root/c 3.txt(abcd)","root/c/d 4.txt(efgh)","root 4.txt(efgh)"] 输出：[["root/a/2.txt","root/c/d/4.txt","root/4.txt"],["root/a/1.txt","root/c/3.txt"]]
示例 2：
输入：paths = ["root/a 1.txt(abcd) 2.txt(efgh)","root/c 3.txt(abcd)","root/c/d 4.txt(efgh)"] 输出：[["root/a/2.txt","root/c/d/4.txt"],["root/a/1.txt","root/c/3.txt"]]
提示：
1 <= paths.length <= 2 * 1041 <= paths[i].length <= 30001 <= sum(paths[i].length) <= 5 * 105paths[i]由英文字母、数字、字符'/'、'.'、'('、')'和' '组成- 你可以假设在同一目录中没有任何文件或目录共享相同的名称。
- 你可以假设每个给定的目录信息代表一个唯一的目录。目录路径和文件信息用单个空格分隔。
进阶：
- 假设您有一个真正的文件系统，您将如何搜索文件？广度搜索还是宽度搜索？
- 如果文件内容非常大（GB级别），您将如何修改您的解决方案？
- 如果每次只能读取 1 kb 的文件，您将如何修改解决方案？
- 修改后的解决方案的时间复杂度是多少？其中最耗时的部分和消耗内存的部分是什么？如何优化？
- 如何确保您发现的重复文件不是误报？
解题思路
方法一：哈希表
我们创建一个哈希表 ，其中键是文件内容，值是具有相同内容的文件路径列表。
接下来，我们遍历 ，对于每个路径，我们将其分割成目录路径和文件信息。对于每个文件信息，我们提取出文件名和文件内容，并将文件路径添加到哈希表 中对应文件内容的列表中。
最后，我们返回哈希表 中所有具有多个文件路径的值。
时间复杂度为 ，空间复杂度为 ，其中 是 的长度。
class Solution:
def findDuplicate(self, paths: List[str]) -> List[List[str]]:
d = defaultdict(list)
for p in paths:
ps = p.split()
for f in ps[1:]:
i = f.find('(')
name, content = f[:i], f[i + 1 : -1]
d[content].append(ps[0] + '/' + name)
return [v for v in d.values() if len(v) > 1]
复杂度分析
| 指标 | 值 |
|---|---|
| 时间 | Depends on the final approach |
| 空间 | Depends on the final approach |
面试官常问的追问
外企场景- question_mark
Look for an efficient way to process large inputs while grouping files by content.
- question_mark
Assess if the candidate can explain the importance of hash tables in reducing time complexity.
- question_mark
Evaluate whether the candidate can handle space constraints by optimizing the data structures.
常见陷阱
外企场景- error
Not handling large inputs efficiently, leading to slow execution or excessive memory usage.
- error
Overcomplicating the solution by using unnecessary data structures or algorithms.
- error
Failing to return only duplicate groups, instead returning files without content matching.
进阶变体
外企场景- arrow_right_alt
What if the files contain large binary data instead of text?
- arrow_right_alt
How would you handle duplicate files in a distributed system with multiple directories?
- arrow_right_alt
What if the file content is too large to load entirely into memory?