所有 DNA 由一系列缩写为 A，C，G 和 T 的核苷酸组成，例如：“ACGAATTCCG”。在研究 DNA 时，识别 DNA 中的重复序列有时会对研究非常有帮助。

 

编写一个函数来查找 DNA 分子中所有出现超过一次的10个字母长的序列（子串）。

示例:

输入: s = "AAAAACCCCCAAAAACCCCCCAAAAAGGGTTT"

输出: ["AAAAACCCCC", "CCCCCAAAAA"]

答案：

 1public List<String> findRepeatedDnaSequences(String s) {
 2    Set seen = new HashSet();
 3    Set repeated = new HashSet();
 4    for (int i = 0; i + 9 < s.length(); i++) {
 5        String ten = s.substring(i, i + 10);
 6        if (!seen.add(ten))
 7            repeated.add(ten);
 8    }
 9    return new ArrayList(repeated);
10}

解析：

意思是每次截取10个字符的子串，并且这种字串出现的次数超过一次，代码很简单，每次截取的时候都会存放到seen集合中，如果存放失败，表示出现了重复，再来看一种写法

 1public List<String> findRepeatedDnaSequences(String s) {
 2    Set<Integer> words = new HashSet<>();
 3    Set<String> repeated = new HashSet<>();
 4    char[] map = new char[26];
 5    //map['A' - 'A'] = 0;
 6    map['C' - 'A'] = 1;
 7    map['G' - 'A'] = 2;
 8    map['T' - 'A'] = 3;
 9    for (int i = 0; i < s.length() - 9; i++) {
10        int v = 0;
11        for (int j = i; j < i + 10; j++) {
12            v <<= 2;
13            v |= map[s.charAt(j) - 'A'];
14        }
15        if (!words.add(v)) {
16            repeated.add(s.substring(i, i + 10));
17        }
18    }
19    return new ArrayList(repeated);
20}

这种解法和第一种其实原理都是一样的，只不过这里存储的是一个int类型，因为0,1,2,3分别表示的是ACGT，int类型的每两位用来存储ACGT中一个，我们还可以每3位存储，最多也就是30位，小于int类型的32位，就是把下面第12行的v<<=2改为v<<=3。但不能每4位存储，因为这样超过了int的范围。