二叉树深度计算：递归与迭代的实战对比

1. 二叉树深度计算的核心逻辑

二叉树的深度计算是数据结构与算法中的基础问题，也是技术面试中的高频考点。所谓二叉树的深度，指的是从根节点到最远叶子节点的最长路径上的节点数。这个看似简单的概念，在实际编码实现时却蕴含着递归与迭代两种截然不同的思维方式。

我曾在某次系统优化中遇到需要快速计算百万级节点树深度的场景，深刻体会到不同实现方式的性能差异。下面分享从理论到实践的完整经验，包括你可能从未注意过的边界条件处理技巧。

2. 递归解法：优雅背后的陷阱

2.1 基础递归实现

最直观的解法莫过于递归：

python复制def maxDepth(root):
    if not root:
        return 0
    return max(maxDepth(root.left), maxDepth(root.right)) + 1

这段代码完美体现了分治思想——将大问题分解为小问题。但实际使用时要注意：

• 基线条件（空节点返回0）必须放在递归调用前
• 每层递归都要执行+1操作，对应当前节点的深度贡献

2.2 递归的隐藏成本

当我在生产环境使用递归解法处理深度超过5000的树时，遭遇了栈溢出。这是因为：

• Python默认递归深度限制约1000层
• 每层递归调用都会消耗栈帧内存

解决方法：

python复制import sys
sys.setrecursionlimit(100000)  # 调整递归深度限制

但更推荐使用尾递归优化（虽然Python官方未实现）或改用迭代方案。

3. 迭代解法：BFS与DFS的博弈

3.1 广度优先搜索（BFS）实现

BFS通过层级遍历统计深度：

python复制from collections import deque

def maxDepth(root):
    if not root:
        return 0
    
    queue = deque([root])
    depth = 0
    
    while queue:
        depth += 1
        for _ in range(len(queue)):
            node = queue.popl