华为机考“相册重复图片检测”解析：哈希表与常见坑

最近后台好几个准备秋招的同学来问华为那道“相册重复图片检测”的机考题，尤其集中在通用软件和嵌入式方向。这道题被放在非AI方向的第一题，100分，题目本身不算难，但很能看出一个人的基本功：会不会用哈希表、能不能稳准狠地处理输入输出、知不知道什么时候该排序。很多人一看名字里有“图片”两个字就开始慌，其实它考的根本不是图像处理。这篇文章我会把题目还原成可复现的版本，然后用Java、C++、Python各写一遍完整题解，再讲讲我实际操作中踩过的各种坑。不管你是刚配好Java环境的新手，还是正在VSCode里调C/C++环境准备刷题的选手，这篇解析都能直接用上。

1. 题目场景与考点拆解

1.1 题目长什么样

华为机考的题目描述一般不会特别长，但会包一层现实场景的外壳。这道“相册重复图片检测”，核心场景就是手机相册里存了大量照片，某一张照片可能在相册里重复出现多次，要求你把所有重复的照片找出来。

因为机考环境不可能真的给你图片文件，所以题目通常会把图片抽象成一个字符串ID。下面是我按历年机考常见形式还原出来的题目描述，各批次细节可能略有出入，但核心逻辑是一样的：

text复制输入描述：
第一行一个正整数 N，表示图片数量。
接下来 N 行，每行一个字符串，表示一张图片的ID。
ID由小写字母和数字组成，长度不超过20。
限制：1 <= N <= 100000

输出描述：
按字典序升序输出所有出现次数大于1的图片ID，每个ID占一行。
如果没有任何重复图片，输出 NO。

比如输入：

text复制6
abc123
def456
abc123
ghi789
def456
abc123

输出应该是：

text复制abc123
def456

因为 abc123 出现3次，def456 出现2次，而 ghi789 只出现1次，不算重复。注意输出顺序必须是字典序升序，不是按出现次数排，也不是按输入顺序排。

这种题目在机考里非常常见，它把“图片重复检测”抽象成了“字符串频率统计”。所以你别被“相册”两个字带偏，本质上就是给一堆字符串，让你统计频次。后面如果题目描述变成“文件名重复检测”“URL重复检测”，做法一模一样。

1.2 这道题到底在考什么

我后来复盘这道题，发现它作为第一题是有用意的，考察点非常集中，几乎不整花活：

• 哈希表的基本使用。能不能想到用哈希表统计频次，是这道题的第一道分水岭。
• 字符串处理能力。读入字符串、判断相等、按字典序排序，都是最基础的字符串操作。
• 时间复杂度的估计。如果只会两层循环暴力比较，N到10万时直接超时，这题就废了。
• 输出格式的严谨性。有没有重复都要有输出，重复ID不能重复输出，顺序必须是字典序。

另外，题目括号里写了“通软&嵌软&测试&算法&数据科学”，很多同学看到“数据科学”就觉得要考机器学习、图像识别，其实完全不是。非AI方向的机考第一题，不管投的是哪个岗位，考察的都是通用编程能力。数据科学岗位也不例外，第一题照样是基础数据结构，不会让你上模型。这一点想清楚，心态就能稳住。

2. 解题思路的演进与选择

2.1 最直白的暴力法为什么不行

正常人看到“找重复”的第一反应是两两比较：拿第一张图片和后面所有图片比，第二张再往后比，遇到相同就记下来。这个思路没有错，但复杂度完全不可接受。

假设每次比较两个ID字符串平均需要花L的时间，L大概是20以内，那总的比较次数是 N*(N-1)/2。当N=100000时，比较次数接近50亿次。哪怕每次比较很快，50亿这个量级在现代评测机上也是铁定超时的。

我用一个生活化类比解释给朋友听：这就像让一万个人互相握手，每个人都要问对方“你手里的照片和我一样吗”，最后要问接近五千万次。题目只给你1到2秒运行时间，根本不可能完成。所以暴力法虽然能想出来，但永远不该出现在提交代码里。

2.2 哈希表解法：一次遍历搞定

正确做法是把所有ID放进哈希表里，以ID为键、出现次数为值，边遍历边统计。

• 第一步，遍历所有图片ID，执行 map[id]++。
• 第二步，遍历哈希表，把次数大于1的ID收集到一个列表里。
• 第三步，对列表按字典序排序。
• 第四步，如果列表为空输出 NO，否则逐行输出。

时间复杂度是 O(N + U log U)，其中 U 是去重后的ID数量。最坏情况下 U 最多等于 N，所以整体是 O(N log