博客
关于我
【LeetCode 中等题】48-复原IP地址
阅读量:302 次
发布时间:2019-03-01

本文共 1689 字,大约阅读时间需要 5 分钟。

解决这个问题,首先需要理解IP地址的结构。标准的IP地址由四个八位数字组成,每部分范围在0到255之间。给定一个字符串,我们需要将其分割成四个部分,每个部分都必须是一个有效的八位数。

方法思路

我们可以使用暴力法来尝试所有可能的分割方式。具体步骤如下:

  • 检查边界条件:如果字符串为空,长度超过12或不足4,直接返回空列表。
  • 初始化结果列表:用于存储所有可能的有效IP地址。
  • 遍历所有可能的分割方式:使用四个循环变量a, b, c, d,分别控制每个分段的长度,确保它们的总和等于字符串长度。
  • 检查每个分段的有效性:每个分段必须是一个有效的八位数,范围在0到255之间。
  • 生成IP地址:如果所有分段都有效,组合成IP地址并添加到结果列表中。
  • 去重:防止重复IP地址进入结果列表。
  • 解决代码

    class Solution(object):    def restoreIpAddresses(self, s):        """Return a list of all possible IP addresses from the given string."""        if not s or len(s) > 12 or len(s) < 4:            return []        result = []        for a in range(1, 4):            for b in range(1, 4):                for c in range(1, 4):                    for d in range(1, 4):                        if a + b + c + d != len(s):                            continue                        parts = [                            s[:a],                            s[a:a+b],                            s[a+b:a+b+c],                            s[a+b+c:a+b+c+d]                        ]                        try:                            ip = [                                int(part) for part in parts                            ]                        except:                            continue                        if all(0 <= x <= 255 for x in ip):                            ip_str = '.'.join(map(str, ip))                            if ip_str not in result:                                result.append(ip_str)        return result

    代码解释

  • 边界检查:首先检查字符串是否为空、过长或过短,直接返回空列表。
  • 变量初始化:初始化结果列表result
  • 四层循环:分别遍历四个分段的可能长度,确保总长度等于字符串长度。
  • 分割字符串:将字符串分割成四个部分,并尝试转换为整数。
  • 有效性检查:每个部分必须在0到255之间,否则跳过。
  • 生成IP地址:将有效的四个部分组合成IP地址,并添加到结果列表中,避免重复。
  • 这种方法虽然简单,但在实际应用中效率尚可,特别是当字符串长度较短时。

    转载地址:http://vufo.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 通过微调SegFormer改进车道检测效果(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>
    OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
    查看>>
    Opencv中KNN背景分割器
    查看>>