首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
首先，我们来看一道思考题：假设我们有 1000 万个整数数据，每个数据占 8 个字节，如何设计数据结构和算法，快速判断某个整数是否出现在这 1000 万数据中？ 我们希望这个功能不要占用太多的内存空间，最多不要超过 100MB，你会怎么做呢？
先看一个例子，假设现在有10个订单，订单金额分别是8，11，19，23，27，33，45，55，67，98。我们的任务是寻找是否存在金额等于19元的订单。如果存在，则返回订单数据，如果不存在则返回null。
利用二分思想，每次都与区间的中间数据（如果范围的数字有偶数个，中间数有两个，则选择较小的那个）比对大小，缩小查找区间的范围。如下图所示，low 和 high 表示待查找区间的下标，mid 表示待查找区间的中间元素下标。
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
现在的编程语言基本都会内置排序函数，比如 C 语言中 qsort()，C++ STL 中的 sort()、stable_sort()，还有 Java 语言中的 Collections.sort()。在平时开发中，我们也都是直接使用这些现成的函数。下面我们就探索一下这些排序函数是如何实现的、底层都利用了哪种排序算法？
基于这个问题，我们就看下排序这部分最后一块内容：如何实现一个通用的、高性能的排序函数？
我们先回顾一下前面讲过的几种排序算法。
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
今天主要介绍一下三种时间复杂度为O(n)的排序算法：桶排序、计数排序、基数排序。因为这些排序算法的时间复杂度都是线性的，所以称这类算法为线性排序（Linear sort）。之所以能做到线性的时间复杂度，主要原因是，这三个算法是非基于比较的排序算法，都不涉及元素之间的比较操作。
这几种排序算法理解起来都不难，时间、空间复杂度分析起来也很简单，但是对要排序的数据要求很苛刻，所以学习重点的是掌握这些排序算法的适用场景。
我们首先思考一个问题：如何根据年龄给 100 万用户排序？上一节学到的归并、快排也可以完成功能，时间复杂度最低为$O(nlogn)$，有没有更快的排序算法啊？
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
上一节讲了冒泡排序、插入排序、选择排序，它们的时间复杂度都是$O(n^2)$，比较高，适合小规模数据的排序。对于比较大规模的数据集，可以使用两种时间复杂度为$O(nlogn)$的排序算法，归并排序和快速排序。
这两种排序方法均用到了分治思想。我们也可以借鉴这个思想，解决非排序问题，比如：如何在 O(n) 的时间复杂度内查找一个无序数组中的第 K 大元素？
核心思想还是挺简单的。如果要排序一个数组，先把数组从中间分成前后两部分，然后对前后两部分分别排序，再将排好序的两部分合并在一起，这样整个数组就都有序了。
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
排序非常重要，而且排序算法很多，有很多可能你连名字都没听说过，比如猴子排序、睡眠排序、面条排序等。我只讲众多排序算法中的一小撮，也是最经典的、最常用的：冒泡排序、插入排序、选择排序、归并排序、快速排序、计数排序、基数排序、桶排序。按照时间复杂度把它们分成了三类，分三节课来讲解。
因为我笔记比教程少了一节，所以这上面的11、12、13章节分别对应我这里的10、11、12章节。
带着问题去学习，是最有效的学习方法。所以按照惯例，我还是先给你出一个思考题：插入排序和冒泡排序的时间复杂度相同，都是$O(n^2)$，在实际的软件开发里，为什么我们更倾向于使用插入排序算法而不是冒泡排序算法呢？
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
现在很多 App 都有这推荐注册返佣金功能。这个功能中，用户 A 推荐用户 B 来注册，用户 B 又推荐了用户 C 来注册。那么，用户 C 的“最终推荐人”为用户 A，用户 B 的“最终推荐人”也为用户 A，而用户 A 没有“最终推荐人”。
一般来说，会通过数据库来记录这种推荐关系。在数据库表中，可以记录两行数据，其中 actor_id 表示用户 id，referrer_id 表示推荐人 id。
给定一个用户 ID，如何查找这个用户的“最终推荐人”？
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
CPU 资源是有限的，任务的处理速度与线程个数并不是线性正相关。相反，过多的线程反而会导致 CPU 频繁切换，处理性能下降。所以，线程池的大小一般都是综合考虑要处理任务的特点和硬件环境，来事先设置的。
当我们向固定大小的线程池中请求一个线程时，如果线程池中没有空闲资源了，这个时候线程池如何处理这个请求？是拒绝请求还是排队请求？各种处理策略又是怎么实现的呢？
实际上，这些问题并不复杂，其底层的数据结构就是我们今天要学的内容，队列（queue）。
首先，该文章来自于极客时间网站，王争的专栏——《数据结构与算法之美》，我这里只是做简单的解释、记录并添加自己的见解，只是作为个人笔记，若侵权，马上删除。最后建议直接去该网站上购买该课程看原作者的讲解，一来是支持作者，二来是作者写的确实不错。
浏览器的前进、后退功能，我想你肯定很熟悉吧？当你依次访问完一串页面 a-b-c 之后，点击浏览器的后退按钮，就可以查看之前浏览过的页面 b 和 a。当你后退到页面 a，点击前进按钮，就可以重新查看页面 b 和 c。但是，如果你后退到页面 b 后，点击了新的页面 d，那就无法再通过前进、后退功能查看页面 c 了。假设你是 Chrome 浏览器的开发工程师，你会如何实现这个功能呢？
这就要用到我们今天要讲的“栈”这种数据结构。
关于“栈”，可以想象就是一摞叠在一起的盘子。我们平时放盘子的时候，都是从下往上一个一个放；取的时候，我们也是从上往下一个一个地依次取，不能从中间任意抽出。后进者先出，先进者后出，这就是典型的“栈”结构。
Docker 分为客户端和服务端两部分， docker 为客户端调用的命令, dockerd 为服务端调用的命令， 本文着重介绍客户端的用法。
特此声明，下面大部分内容来自于这位大佬，除此之外，还添加了一些自己的理解。
主要用法：docker [ docker命令选项 ] [ 子命令 ] [ 子命令选项 ]
docker [ 子命令 ] —help 可查看每个子命令的详细用法。