Python 树表查找_千树万树梨花开,忽如一夜春风来(二叉排序树、平衡二叉树)
什么是树表查询?
借助具有特殊
性质的树数据结构
进行关键字查找。
本文所涉及到的特殊结构性质的树包括:
二叉排序树
。平衡二叉树
。
使用上述树结构
存储数据时,因其本身对结点之间的关系以及顺序有特殊要求,也得益于这种限制,在查询某一个结点时会带来性能上的优势和操作上的方便。
树表查询属于动态查找
算法。
所谓动态查找
,不仅仅能很方便查询到目标结点。而且可以根据需要添加、删除结点,而不影响树的整体结构,也不会影响数据的查询。
本文并不会深入讲解
树数据结构
的基本的概念,仅是站在使用的角度说清楚动态查询。阅读此文之前,请预备一些树的基础知识。
1. 二叉排序树
二叉树
是树结构中具有艳明特点的子类。
二叉树
要求树的每一个结点(除叶结点)的子结点最多只能有 2
个。在二叉树
的基础上,继续对其进行有序限制则变成二叉排序树
。
二叉排序树特点:
基于二叉树
结构,从根结点开始,从上向下,每一个父结点的值大于左子结点(如果存在左子结点)的值,而小于右子结点(如果存在右子结点)的值。则把符合这种特征要求的树称为二叉排序树
。
1.1 构建一棵二叉排序树
如有数列 nums=[5,12,4,45,32,8,10,50,32,3]
。通过下面流程,把每一个数字映射到二叉排序树
的结点上。
- 如果树为空,把第一个数字作为根结点。如下图,数字
5
作为根结点。
- 如果已经存在根结点,则把数字和根结点比较,小于根结点则作为根结点的左子结点,大于根结点的作为根结点的右子结点。如数字
4
插入到左边,数字12
插入到右边。
- 数列中后面的数字依据相同法则,分别插入到不同子的位置。
原始数列中的数字是无序的,根据二叉排序树
的插入算法,最终可得到一棵有排序性质的树结构。对此棵树进行中序遍历
就可得到从小到大的一个递增有序数列。
综观二叉排序树
,进行关键字查找时,也应该是接近于二分查找算法的时间度。
这里有一个要注意的地方。
原始数列中的数字顺序不一样时,生成的二叉排序树的结构也会有差异性。对于查找算法的性能会产生影响。
1.2 二叉排序树的数据结构
现在使用OOP
设计方案描述二叉排序树的数据结构。
首先,设计一个结点类,用来描述结点本身的信息。
'''
二叉排序树的结点类
'''
class TreeNode():
def __init__(self, value):
# 结点上的值
self.value = value
# 左结点
self.l_child = None
# 右结点
self.r_child = None
结点类中有 3
个属性:
value
:结点上附加的数据信息。l_child
:左子结点,初始值为None
。r_child
:右子结点,初始值为None
。
二叉排序树类: 用来实现树的增、删、改、查。
'''
二叉排序树类
'''
class BinarySortTree:
# 初始化树
def __init__(self, value=None):
pass
'''
在整棵树上查询是否存在给定的关键字
'''
def find(self, key):
pass
'''
使用递归进行查询
'''
def find_dg(self, root, key):
pass
'''
插入新结点
'''
def insert(self, value):
pass
'''
中序遍历
'''
def inorder_traversal(self):
pass
'''
删除结点
'''
def delete(self, key):
pass
'''
检查是不是空树
'''
def is_empty(self):
return self.root == None
二叉排序树中可以有更多方法,本文只关注与查找主题有关的方法。
1.3 实现二叉排序树类中的方法:
__init__
初始化方法:
# 初始化树
def __init__(self, value=None):
self.root = None
if value is not None:
root_node = TreeNode(value)
self.root = root_node
在初始化树对象时,如果指定了数据信息,则创建有唯一结点的树,否则创建一个空树。
关键字查询方法:查询给定的关键字在二叉排序树结构中是否存在。
查询流程:
- 把给定的关键字和根结点相比较。如果相等,则返回查找成功,结束查询.
- 如果根结点的值大于关键字,则继续进入根结点的左子树中开始查找。
- 如果根结点的值小于关键字,则进入根结点的右子树中开始查找。
- 如果没有查询到关键字,则返回最后访问过的结点和查询不成功信息。
关键字查询的本质是二分思想,以当前结点为分界线,然后向左或向右进行分枝查找。
非递归实现查询方法:
'''
在整棵树上查询是否存在给定的关键字
key: 给定的关键字
'''
def find(self, key):
# 从根结点开始查找。
move_node = self.root
# 用来保存最后访问过的结点
last_node = None
while move_node is not None:
# 保存当前结点
last_node = move_node
# 把关键字和当前结点相比较
if self.root.value == key:
# 出口一:成功查找
return move_node
elif move_node.value > key:
# 在左结点查找
move_node = move_node.l_child
else:
# 在右结点中查找
move_node = move_node.r_child
# 出口二:如果没有查询到,则返回最后访问过的结点及None(None 表示没查询到)
return last_node, None
注意:当没有查询到时,返回的值有
2
个,最后访问的结点和没有查询到的信息。为什么要返回最后一次访问过的结点?
反过来想想,本来应该在这个地方找到,但是没有,如果改成插入操作,就应该插入到此位置。
基于递归实现的查找:
'''
使用递归进行查询
'''
def find_dg(self, root, key):
# 结点不存在
if root is None:
return None
# 相等
if root.value == key:
return root
if root.value > key:
return self.find_dg(root.l_child, key)
else:
return self.find_dg(root.r_child, key)
再看看如何把数字插入到二叉排序树中,利用二叉排序树进行查找的前提条件就是要把数字映射到二叉排序树的结点上。
插入结点的流程:
- 当需要插入某一个结点时,先搜索是否已经存在于树结构中。
- 如果没有,则获取到查询时访问过的最一个结点,并和此结点比较大小。
- 如果比此结点大,则插入最后访问过结点的右子树位置。
- 如果比此结点小,则插入最后访问过结点的左子树位置。
insert
方法的实现:
'''
插入新结点
'''
def insert(self, value):
# 查询是否存在此结点
res = self.find(value)
if type(res) != TreeNode:
# 没找到,获取查询时最后访问过的结点
last_node = res[0]
# 创建新结点
new_node = TreeNode(value)
# 最后访问的结点是根结点
if last_node is None:
self.root = new_node
if value > last_node.value:
last_node.r_child = new_node
else:
last_node.l_child = new_node
怎么检查插入的结点是符合二叉树特征?
再看一下前面根据插入原则手工绘制的插入演示图:
上图有 4
个子结点,写几行代码测试一下,看从根结点到叶子结点的顺序是否正确。
测试插入方法:
if __name__ == "__main__":
nums = [5, 12, 4, 45, 32, 8, 10, 50, 32, 3]
tree = BinarySortTree(5)
for i in range(1, len(nums)):
tree.insert(nums[i])
print("测试根5 -> 左4 ->左3:")
tmp_node = tree.root
while tmp_node != None:
print(tmp_node.value, end=" ->")
tmp_node = tmp_node.l_child
print("\n测试根5 -> 右12 ->右45->右50:")
tmp_node = tree.root
while tmp_node != None:
print(tmp_node.value, end=" ->")
tmp_node = tmp_node.r_child
'''
输出结果:
测试根5 -> 左4 ->左3:
5 ->4 ->3 ->
测试根5 -> 右12 ->右45->右50:
5 ->12 ->45 ->50 ->
'''
查看结果,可以初步判断插入的数据是符合二叉排序树特征的。当然,更科学的方式是写一个遍历方法。树的遍历方式有 3
种:
- 前序:根,左,右。
- 中序:左,根,右。
- 后序。左,右,根。
对二叉排序树
进行中序遍历,理论上输出的数字应该是有序的。这里写一个中序遍历,查看输出的结点是不是有序的,从而验证查询和插入方法的正确性。
使用递归实现中序遍历:
'''
中序遍历
'''
def inorder_traversal(self, root):
if root is None:
return
self.inorder_traversal(root.l_child)
print(root.value,end="->")
self.inorder_traversal(root.r_child)
测试插入的顺序:
if __name__ == "__main__":
nums = [5, 12, 4, 45, 32, 8, 10, 50, 32, 3]
tree = BinarySortTree(5)
# res = tree.find(51)
for i in range(1, len(nums)):
tree.insert(nums[i])
tree.inorder_traversal(tree.root)
'''
输出结果
3->4->5->8->10->12->32->45->50->
'''
二叉排序树很有特色的数据结构,利用其存储特性,可以很方便地进行查找、排序。并且随时可添加、删除结点,而不会影响排序和查找操作。基于树表的查询操作称为动态查找。
二叉排序树中如何删除结点
从二叉树中删除结点,需要保证整棵二叉排序树的有序性依然存在。删除操作比插入操作要复杂,下面分别讨论。
- 如果要删除的结点是叶子结点。
只需要把要删除结点的父结点的左结点或右结点的引用值设置为空就可以了。
- 删除的结点只有一个右子结点。如下图删除结点
8
。
因为结点8
没有左子树,在删除之后,只需要把它的右子结点替换删除结点就可以了。
- 删除的结点即存在左子结点,如下图删除值为
25
的结点。
一种方案是:找到结点 25
的左子树中的最大值,即结点 20
(该结点的特点是可能会存在左子结点,但一定不会有右子结点)。用此结点替换结点25
便可。
为什么要这么做?
道理很简单,既然是左子树中的最大值,替换删除结点后,整个二叉排序树的特性可以继续保持。
如果结点 20
存在左子结点,则把它的左子结点作为结点18
的右子结点。
另一种方案:同样找到结点25
中左子树中的最大值结点 20
,然后把结点 25
的右子树作为结点 20
的右子树。
再把结点 25
的左子树移到 25
位置。
这种方案会让树增加树的深度。所以,建议使用第一种方案。
删除方法的实现:
'''
删除结点
key 为要要删除的结点
'''
def delete(self, key):
# 从根结点开始查找,move_node 为搜索指针
move_node = self.root
# 要删除的结点的父结点,因为根结点没有父结点,初始值为 None
parent_node = None
# 结点存在且没有匹配上要找的关键字
while move_node is not None and move_node.value != key:
# 保证当前结点
parent_node = move_node
if move_node.value > key:
# 在左子树中继续查找
move_node = move_node.l_child
else:
# 在右子树中继续查找
move_node = move_node.r_child
# 如果不存在
if move_node is None:
return -1
# 检查要删除的结点是否存在左子结点
if move_node.l_child is None:
if parent_node is None:
# 如果要删除的结点是根结点
self.root = move_node.r_child
elif parent_node.l_child == move_node:
# 删除结点的右结点作为父结点的左结点
parent_node.l_child = move_node.r_child
elif parent_node.r_child == move_node:
parent_node.r_child = move_node.r_child
return 1
else:
# 如果删除的结点存在左子结点,则在左子树中查找最大值
s = move_node.l_child
q = move_node
while s.r_child is not None:
q = s
s = s.r_child
if q == move_node:
move_node.l_child = s.l_child
else:
q.r_child = s.l_child
move_node.value = s.value
q.r_child = None
return 1
测试删除后的二叉树是否依然维持其有序性。
if __name__ == "__main__":
nums = [5, 12, 4, 45, 32, 8, 10, 50, 32, 3]
tree = BinarySortTree(5)
# res = tree.find(51)
for i in range(1, len(nums)):
tree.insert(nums[i])
tree.delete(12)
tree.inorder_traversal(tree.root)
'''
输出结果
3->4->5->8->10->32->45->50->
'''
无论删除哪一个结点,其二叉排序树的中序遍历结果都是有序的,很好地印证了删除算法的正确性。
3. 平衡二叉排序树
二叉排序树
中进行查找时,其时间复杂度
理论上接近二分算法
的时间复杂度,其查找时间与树的深度有关。但是,这里有一个问题,前面讨论过,如果数列中的数字顺序不一样时,所构建出来的二叉排序树的深度会有差异性,对最后评估时间性能也会有影响。
如有数列 [36,45,67,28,20,40]
构建的二叉排序树如下图:
基于上面的树结构,查询任何一个结点的次数不会超过 3
次。
稍调整一下数列中数字的顺序 [20,28,36,40,45,67]
,由此构建出来的树结构会出现一边倒的现象,也增加了树的深度。
此棵树的深度为6
,最多查询次数是 6
次。在二叉排序树中,减少查找次数的最好办法,就是尽可能维护树左右子树之间的对称性,也就让其有平衡性。
所谓平衡二叉排序树,顾名思义,基于二叉排序树的基础之上,维护任一结点的左子树和右子树之间的深度之差不超过 1
。把二叉树上任一结点的左子树深度减去右子树深度的值称为该结点的平衡因子。
平衡因子只可能是:
0
:左、右子树深度一样。1
:左子树深度大于右子树。-1
:左子树深度小于右子树。
如下图,就是平衡二叉排序树
,根结点的 2
个子树深度相差为 0
, 结点 28
的左、右子树深度为 1,结点 45
的左右子树深度相差为 0
。
平衡二叉排序树相比较于二叉排序树,其 API
多了保持平衡的算法。
3.1 二叉平衡排序树的数据结构
结点类:
'''
结点类
'''
class TreeNode:
def __init__(self,value):
self.value=value
self.l_child=None
self.r_child=None
self.balance=0
结点类中有 4
个属性:
value
:结点上附加的值。l_child
:左子结点。r_child
:右子结点。balance
:平衡因子,默认平衡因子为0
。
二叉平衡排序树类:
'''
树类
'''
class Tree:
def __init__(self, value):
self.root = None
'''
LL型调整
'''
def ll_rotate(self, node):
pass
'''
RR 型调整
'''
def rr_rotate(self, node):
pass
'''
LR型调整
'''
def lr_rotate(self, node):
pass
'''
RL型调整
'''
def rl_rotate(self, node):
pass
'''
插入新结点
'''
def insert(self, value):
pass
'''
中序遍历
'''
def inorder_traversal(self, root):
pass
def is_empty(self):
pass
在插入或删除结点时,如果导致树结构发生了不平衡性,则需要调整让其达到平衡。这里的方案可以有 4
种。
LL型调整(顺时针)
:左边不平衡时,向右边旋转。
如上图,现在根结点 36
的平衡因子为 1
。如果现插入值为 18
结点,显然要作为结点 20
的左子结点,才符合二叉排序树的有序性。但是破坏了根结点的平衡性。根结点的左子树深度变成 3
,右子树深度为1
,平衡被打破,结点 36
的平衡因子变成了2
。
这里可以使用顺时针
旋转方式,让其继续保持平衡,旋转流程:
- 让结点
28
成为新根结点,结点36
成为结点28
的左子结点。 - 结点
29
成为结点36
的新左子结点。
旋转后,树结构即满足了有序性,也满足了平衡性。
LL
旋转算法具体实现:
'''
LL型调整
顺时针对调整
'''
def ll_rotate(self, p_root):
# 原父结点的左子结点成为新父结点
new_p_root = p_root.l_child
# 新父结点的右子结点成为原父结点的左子结点
p_root.l_child = new_p_root.r_child
# 原父结点成为新父结点的右子结点
new_p_root.r_child = p_root
# 重置平衡因子
p_root.balance = 0
new_p_root.balance = 0
return new_p_root
RR 型调整(逆时针旋转)
:RR
旋转和 LL
旋转的算法差不多,只是当右边不平衡时,向左边旋转。
如下图所示,结点 50
插入后,树的平衡性被打破。
这里使用左旋转(逆时针)方案。结点 36
成为结点 45
的左子结点,结点45
原来的左子结点成为结点36
的右子结点。
向逆时针旋转后,结点45
的平衡因子为 0
,结点36
的平衡因子为0
,结点 48
的平衡因子为 -1
。树的有序性和平衡性得到保持。
RR
旋转算法具体实现:
'''
RR 型调整
'''
def rr_rotate(self, node):
# 右子结点
new_p_node = p_node.r_child
p_node.r_child = new_p_node.l_child
new_p_node.l_child = p_node
# 重置平衡因子
p_node.balance = 0
new_p_node.balance = 0
return new_p_node
LR型调整(先逆后顺)
:如下图当插入结点 28
后,结点 36
的平衡因子变成 2
,则可以使用 LR
旋转算法。
以结点 29
作为新的根结点,结点27
以结点29
为旋转中心,逆时针旋转。
结点36
以结点29
为旋转中心向顺时针旋转。
最后得到的树还是一棵二叉平衡排序树
。
LR
旋转算法实现:
'''
LR型调整
'''
def lr_rotate(self, p_node):
# 左子结点
b = p_node.l_child
new_p_node = b.r_child
p_node.l_child = new_p_node.r_child
b.r_child = new_p_node.l_child
new_p_node.l_child = b
new_p_node.r_child = p_node
if new_p_node.balance == 1:
p_node.balance = -1
b.balance = 0
elif new_p_node.balance == -1:
p_node.balance = 0
b.balance = 1
else:
p_node.balance = 0
b.balance = 0
new_p_node.balance = 0
return new_p_node
RL
型调整: 如下图插入结点39
后,整棵树的平衡打破,这时可以使用 RL
旋转算法进行调整。
把结点40
设置为新的根结点,结点45
以结点 40
为中心点顺时针旋转,结点36
逆时针旋转。
RL
算法具体实现:
'''
RL型调整
'''
def rl_rotate(self, p_node):
b = p_node.r_child
new_p_node = b.l_child
p_node.r_child = new_p_node.l_child
b.l_child = new_p_node.r_child
new_p_node.l_child = p_node
new_p_node.r_child = b
if new_p_node.balance == 1:
p_node.balance = 0
b.balance = -1
elif new_p_node.balance == -1:
p_node.balance = 1
b.balance = 0
else:
p_node.balance = 0
b.balance = 0
new_p_node.balance = 0
return new_p_node
编写完上述算法后,就可以编写插入算法。在插入新结点时,检查是否破坏二叉平衡排序树的的平衡性,否则调用平衡算法。
当插入一个结点后,为了保持平衡,需要找到最小不平衡子树。
什么是最小不平衡子树?
指离插入结点最近,且平衡因子绝对值大于
1
的结点为根结点构成的子树。
'''
插入新结点
'''
def insert(self, val):
# 新的结点
new_node = TreeNode(val)
if self.root is None:
# 空树
self.root = new_node
return
# 记录离 s 最近的平衡因子不为 0 的结点。
min_b = self.root
# f 指向 a 的父结点
f_node = None
move_node = self.root
f_move_node = None
while move_node is not None:
if move_node.value == new_node.value:
# 结点已经存在
return
if move_node.balance != 0:
# 寻找最小不平衡子树
min_b = move_node
f_node = f_move_node
f_move_node = move_node
if new_node.value < move_node.value:
move_node = move_node.l_child
else:
move_node = move_node.r_child
if new_node.value < f_move_node.value:
f_move_node.l_child = new_node
else:
f_move_node.r_child = new_node
move_node = min_b
# 修改相关结点的平衡因子
while move_node != new_node:
if new_node.value < move_node.value:
move_node.balance += 1
move_node = move_node.l_child
else:
move_node.balance -= 1
move_node = move_node.r_child
if min_b.balance > -2 and min_b.balance < 2:
# 插入结点后没有破坏平衡性
return
if min_b.balance == 2:
b = min_b.l_child
if b.balance == 1:
move_node = self.ll_rotate(min_b)
else:
move_node = self.lr_rotate(min_b)
else:
b = min_b.r_child
if b.balance == 1:
move_node = self.rl_rotate(min_b)
else:
move_node = self.rr_rotate(min_b)
if f_node is None:
self.root = move_node
elif f_node.l_child == min_b:
f_node.l_child = move_node
else:
f_node.r_child = move_node
中序遍历: 此方法为了验证树结构还是排序的。
'''
中序遍历
'''
def inorder_traversal(self, root):
if root is None:
return
self.inorder_traversal(root.l_child)
print(root.value, end="->")
self.inorder_traversal(root.r_child)
二叉平衡排序树本质还是二树排序树。如果使用中序遍历输出的数字是有序的。测试代码。
if __name__ == "__main__":
nums = [3, 12, 8, 10, 9, 1, 7]
tree = Tree(3)
for i in range(1, len(nums)):
tree.inster(nums[i])
# 中序遍历
tree.inorder_traversal(tree.root)
'''
输出结果
1->3->7->8->9->10->12->
'''
4. 总结
利用二叉排序树
的特性,可以实现动态查找
。在添加、删除结点之后,理论上查找到某一个结点的时间复杂度与树的结点在树中的深度是相同的。
但是,在构建二叉排序树时,因原始数列中数字顺序的不同,则会影响二叉排序树的深度。
这里引用二叉平衡排序树,用来保持树的整体结构是平衡,方能保证查询的时间复杂度为 Ologn
(n
为结点的数量)。
Python 树表查找_千树万树梨花开,忽如一夜春风来(二叉排序树、平衡二叉树)的更多相关文章
- python 无序表查找
def sequential_search(lis, key): for i in range(len(lis)): if(lis[i] == key): return i else: return ...
- 查找算法(5)--Tree table lookup--树表查找
1.树表查找 (1) 最简单的树表查找算法——二叉树查找算法. [1]基本思想:二叉查找树是先对待查找的数据进行生成树,确保树的左分支的值小于右分支的值,然后在就行和每个节点的父节点比较大小,查找最适 ...
- 查找->静态查找表->次优查找(静态树表)
文字描算 之前分析顺序查找和折半查找的算法性能都是在“等概率”的前提下进行的,但是如果有序表中各记录的查找概率不等呢?换句话说,概率不等的情况下,描述查找过程的判定树为何类二叉树,其查找性能最佳? 如 ...
- Python与数据结构[3] -> 树/Tree[1] -> 表达式树和查找树的 Python 实现
表达式树和查找树的 Python 实现 目录 二叉表达式树 二叉查找树 1 二叉表达式树 表达式树是二叉树的一种应用,其树叶是常数或变量,而节点为操作符,构建表达式树的过程与后缀表达式的计算类似,只不 ...
- 离散化+线段树/二分查找/尺取法 HDOJ 4325 Flowers
题目传送门 题意:给出一些花开花落的时间,问某个时间花开的有几朵 分析:这题有好几种做法,正解应该是离散化坐标后用线段树成端更新和单点询问.还有排序后二分查找询问点之前总花开数和总花凋谢数,作差是当前 ...
- 查找(四)-------基于B树的查找和所谓的B树
关于B树,不想写太多了,因为花在基于树的查找上的时间已经特么有点多了,就简单写写算了,如果以后有需要,或者有时间,可以再深入写写 首先说一下,为什么要有B树,以及B树是什么,很多数据结构和算法的书上来 ...
- 【转】花开正当时,十四款120/128GB SSD横向评测
原文地址:http://www.expreview.com/19604-all.html SSD横评是最具消费指导意义的评测文章,也是各类热门SSD固态硬盘的决斗疆场.SSD评测在行业内已经有不少网站 ...
- web前端学习python之第一章_基础语法(一)
web前端学习python之第一章_基础语法(一) 前言:最近新做了一个管理系统,前端已经基本完成, 但是后端人手不足没人给我写接口,自力更生丰衣足食, 所以决定自学python自己给自己写接口哈哈哈 ...
- 教你几招HASH表查找的方法
摘要:根据设定的哈希函数 H(key) 和所选中的处理冲突的方法,将一组关键字映象到一个有限的.地址连续的地址集 (区间) 上,并以关键字在地址集中的"象"作为相应记录在表中的存储 ...
随机推荐
- 团队vue基础镜像选择思考
前端镜像可以考虑使用nginx或者openresty; 镜像 大小 说明 nginx:1.20.2-alpine 8.41 MB 最小最新版本 nginx:1.21.4 50.95 MB 最新版本 n ...
- 哪一个 bash 内置命令能够进行数学运算?
bash shell 的内置命令 let 可以进行整型数的数学运算. #! /bin/bash--let c=a+b--
- JAVA DAEMON线程的理解
java线程分两种:用户线程和daemon线程.daemon线程或进程就是守护线程或者进程,但是java中所说的daemon线程和linux中的daemon是有一点区别的. linux中的daemon ...
- 机器学习综合库gensim 简单搞定文本相似度
不废话直接代码吧 # 1.模块导入 import jieba import gensim from gensim import corpora from gensim import models fr ...
- 一个模型预测控制(MPC)的简单实现
1 生活中的启示 情景如下:你们团队每天早晨开一次例会,主要会议内容是你汇报工作进度,领导根据工作目标和工作进度,制定当天的工作计划,你领到工作计划后开始工作.每天都这样周而复始,从领导的角度看,这件 ...
- Nuxt.js的踩坑指南(常见问题汇总)
本文会不定期更新在nuxt.js中遇到的问题进行汇总.转发请注明出处,尊重作者,谢谢! 强烈推荐作者文档版踩坑指南,点击跳转踩坑指南 在Nuxt的官方文档中,中文文档和英文文档都存在着不小的差异. 1 ...
- canvas写个简单的小游戏
之前在HTML5 Canvas属性和方法汇总一文中,介绍过Canvas的各种属性以及方法的说明,并列举了自己写的一些Canvas demo,接下来开始写一个简单的小游戏吧,有多简单,这么说吧,代码不到 ...
- python大佬养成计划----flask_bootstrap装饰网页
flask_bootstrap Bootstrap 是 Twitter 开发的一个开源框架,它提供的用户界面组件可用于创建整洁且具有吸引力的网页,而且这些网页还能兼容所有现代 Web 浏览器. Boo ...
- notification(浏览器通知)
一.notification简介 Web Notifications是HTML5 的一个特性,目前我知道的有谷歌浏览器和windows edge对它进行了支持,用于向用户配置和显示桌面通知. 二.no ...
- CCF201903-2二十四点
思路描述:最开始的思路是拿一个栈来存储数据和符号,在动手实践的过程中发现行不通,单个数字的char和int转换可以,但是加起来的数据两位数字就很难处理了. 然后就去看了看别人的思路,给了我一个很好的启 ...