本文为掘金投稿，译文出自：掘金翻译计划
- 原文地址：Google Interview University
- 原文作者：John Washam
- 译者：Aleen，Newton，bobmayuze，Jaeger，sqrthree
- 友情提醒：文章较长，需耐心阅读。
这是？
这是我为了从 Web 开发者（自学、非计算机科学学位）蜕变至 Google 软件工程师所制定的计划，其内容历时数月。
这一长列表是从 Google 的指导笔记 中萃取出来并进行扩展。因此，有些事情你必须去了解一下。我在列表的底部添加了一些额外项，用于解决面试中可能会出现的问题。这些额外项大部分是来自于 Steve Yegge 的“得到在 Google 工作的机会”。而在 Google 指导笔记的逐字间，它们有时也会被反映出来。
目录
—————- 下面的内容是可选的 —————-
为何要用到它？
我一直都是遵循该计划去准备 Google 的面试。自 1997 年以来，我一直从事于 Web 程序的构建、服务器的构建及创业型公司的创办。对于只有着一个经济学学位，而不是计算机科学学位（CS degree）的我来说，在职业生涯中所取得的都非常成功。然而，我想在 Google 工作，并进入大型系统中，真正地去理解计算机系统、算法效率、数据结构性能、低级别编程语言及其工作原理。可一项都不了解的我，怎么会被 Google 所应聘呢？
当我创建该项目时，我从一个堆栈到一个堆都不了解。那时的我，完全不了解 Big-O 、树，或如何去遍历一个图。如果非要我去编写一个排序算法的话，我只能说我所写的肯定是很糟糕。一直以来，我所用的任何数据结构都是内建于编程语言当中。至于它们在背后是如何运作，对此我一概不清楚。此外，以前的我并不需要对内存进行管理，最多就只是在一个正在执行的进程抛出了“内存不足”的错误后，采取一些权变措施。而在我的编程生活中，也甚少使用到多维数组，可关联数组却成千上万。而且，从一开始到现在，我都还未曾自己实现过数据结构。
就是这样的我，在经过该学习计划后，已然对被 Google 所雇佣充满信心。这是一个漫长的计划，以至于花费了我数月的时间。若您早已熟悉大部分的知识，那么也许能节省大量的时间。
如何使用它
下面所有的东西都只是一个概述。因此，你需要由上而下逐一地去处理它。
在学习过程中，我是使用 GitHub 特殊的语法特性 markdown flavor 去检查计划的进展，包括使用任务列表。(注：因极客头条的 markdown 并不支持此语法，因此在下方做了删除处理)
创建一个新的分支，以使得你可以像这样去检查计划的进展。直接往方括号中填写一个x，表示已经完成
更多关于 Github-flavored markdown 的详情
我得到了工作吗？
我还没去应聘。
因为我离完成学习（完成该疯狂的计划列表）还需要数天的时间，并打算在下周开始用一整天的时间，以编程的方式去解决问题。当然，这将会持续数周的时间。然后，我才通过使用在二月份所得到的一个介绍资格，去正式应聘 Google（没错，是二月份时就得到的）。
感谢 JP 的这次介绍。
跟随着我
目前我仍在该计划的执行过程中，如果你想跟随我脚步去学习的话，可以登进我在 GoogleyAsHeck.com 上所写的博客。
不要自以为自己足够聪明
- Google 的工程师都是才智过人的。但是，就算是工作在 Google 的他们，仍然会因为自己不够聪明而感到一种不安。
- 天才程序员的神话
关于 Google
面向学生 —— Google 的职业生涯：技术开发指导
Google 检索的原理：
系列文章：
相关视频资源
部分视频只能通过在 Coursera、Edx 或 Lynda.com class 上注册登录才能观看。这些视频被称为网络公开课程（MOOC）。即便是免费观看，部分课程可能会由于不在时间段内而无法获取。因此，你需要多等待几个月。
很感谢您能帮我把网络公开课程的视频链接转换成公开的视频源，以代替那些在线课程的视频。此外，一些大学的讲座视频也是我所青睐的。
面试过程 & 通用的面试准备
视频：
文章：
所有他所提及的事情都列在了下面
（早已过期） 如何得到 Google 的一份工作，面试题，应聘过程
附加的（虽然 Google 不建议，但我还是添加在此）：
震撼开发类面试 第一集：
如何在世界四强企业中获得一份工作：
“如何在世界四强企业中获得一份工作 —— Amazon、Facebook、Google 和 Microsoft”（视频）
为你的面试选择一种语言
在这，我就以下话题写一篇短文 —— 重点：为在 Google 的面试选择一种语言
在大多数公司的面试当中，你可以在编程这一环节，使用一种自己用起来较为舒适的语言去完成编程。但在 Google，你只有三种固定的选择：
- C++
- Java
- Python
有时你也可以使用下面两种，但需要事先查阅说明。因为，说明中会有警告：
- JavaScript
- Ruby
你需要对你所选择的语言感到非常舒适且足够了解。
更多关于语言选择的阅读：
- http://www.byte-by-byte.com/choose-the-right-language-for-your-coding-interview/
- http://blog.codingforinterviews.com/best-programming-language-jobs/
- https://www.quora.com/What-is-the-best-language-to-program-in-for-an-in-person-Google-interview
由于，我正在学习C、C++ 和 Python。因此，在下面你会看到部分关于它们的学习资料。相关书籍请看文章的底部。
在你开始之前
该列表已经持续更新了很长的一段时间，所以，我们的确很容易会对其失去控制。
这里列出了一些我所犯过的错误，希望您不要重滔覆辙。
1. 你不可能把所有的东西都记住
就算我查看了数小时的视频，并记录了大量的笔记。几个月后的我，仍然会忘却其中大部分的东西。所以，我翻阅了我的笔记，并将可回顾的东西制作成抽认卡（flashcard）（请往下看）
2. 使用抽认卡
为了解决善忘的问题，我制作了一些关于抽认卡的页面，用于添加两种抽认卡：正常的及带有代码的。每种卡都会有不同的格式设计。
而且，我还以移动设备为先去设计这些网页，以使得在任何地方的我，都能通过我的手机及平板去回顾知识。
你也可以免费制作属于你自己的抽认卡网站：
- 抽认卡页面的代码仓库
- 我的抽认卡数据库：有一点需要记住的是，我做事有点过头，以至于把卡片都覆盖到所有的东西上。从汇编语言和 Python 的细枝末节，乃至到机器学习和统计都被覆盖到卡片上。而这种做法，对于 Google 的要求来说，却是多余。
在抽认卡上做笔记： 若你第一次发现你知道问题的答案时，先不要急着把其标注成“已懂”。你需要做的，是去查看一下是否有同样的抽认卡，并在你真正懂得如何解决问题之前，多问自己几次。重复地问答可帮助您深刻记住该知识点。
3. 回顾，回顾，回顾
我留有一组 ASCII 码表、OSI 堆栈、Big-O 记号及更多的小抄纸，以便在空余的时候可以学习。
每编程半个小时就要休息一下，并去回顾你的抽认卡。
4. 专注
在学习的过程中，往往会有许多令人分心的事占据着我们宝贵的时间。因此，专注和集中注意力是非常困难的。
你所看不到的
由于，这个巨大的列表一开始是作为我个人从 Google 面试指导笔记所形成的一个事件处理列表。因此，有一些我熟悉且普遍的技术在此都未被谈及到：
- SQL
- Javascript
- HTML、CSS 和其他前端技术
日常计划
部分问题可能会花费一天的时间去学习，而部分则会花费多天。当然，有些学习并不需要我们懂得如何实现。
因此，每一天我都会在下面所列出的列表中选择一项，并查看相关的视频。然后，使用以下的一种语言去实现：
C —— 使用结构体和函数，该函数会接受一个结构体指针 * 及其他数据作为参数。 C++ —— 不使用内建的数据类型。 C++ —— 使用内建的数据类型，如使用 STL 的 std::list 来作为链表。 Python —— 使用内建的数据类型（为了持续练习 Python），并编写一些测试去保证自己代码的正确性。有时，只需要使用断言函数 assert() 即可。 此外，你也可以使用 Java 或其他语言。以上只是我的个人偏好而已。
为何要在这些语言上分别实现一次？
因为可以练习，练习，练习，直至我厌倦它，并完美地实现出来。（若有部分边缘条件没想到时，我会用书写的形式记录下来并去记忆） 因为可以在纯原生的条件下工作（不需垃圾回收机制的帮助下，分配/释放内存（除了 Python）） 因为可以利用上内建的数据类型，以使得我拥有在现实中使用内建工具的经验（在生产环境中，我不会去实现自己的链表）
就算我没有时间去每一项都这么做，但我也会尽我所能的。
在这里，你可以查看到我的代码：
你不需要记住每一个算法的内部原理。
在一个白板上写代码，而不要直接在计算机上编写。在测试完部分简单的输入后，到计算机上再测试一遍。
必备知识
计算机是如何处理一段程序：
编译器
浮点数是如何存储的：
32 bit：IEEE754 32-bit 浮点二进制（视频）
算法复杂度 / Big-O / 渐进分析法
并不需要实现
Skiena 算法：
高级编程（包括递归关系和主定理）：
如果部分课程过于学术性，你可直接跳到文章底部，去查看离散数学的视频以获取相关背景知识。
数据结构
数组（Arrays）
实现一个可自动调整大小的动态数组。
介绍：
实现一个动态数组（可自动调整大小的可变数组）：
练习使用数组和指针去编码，并且指针是通过计算去跳转而不是使用索引
通过分配内存来新建一个原生数据型数组
可以使用 int 类型的数组，但不能使用其语法特性
从大小为16或更大的数（使用2的倍数 —— 16、32、64、128）开始编写
size() —— 数组元素的个数
capacity() —— 可容纳元素的个数
is_empty()
at(index) —— 返回对应索引的元素，且若索引越界则愤然报错
push(item)
insert(index, item) —— 在指定索引中插入元素，并把后面的元素依次后移
prepend(item) —— 可以使用上面的 insert 函数，传参 index 为 0
pop() —— 删除在数组末端的元素，并返回其值
delete(index) —— 删除指定索引的元素，并把后面的元素依次前移
remove(item) —— 删除指定值的元素，并返回其索引（即使有多个元素）
find(item) —— 寻找指定值的元素并返回其中第一个出现的元素其索引，若未找到则返回 -1
resize(new_capacity) // 私有函数
若数组的大小到达其容积，则变大一倍
获取元素后，若数组大小为其容积的1/4，则缩小一半
时间复杂度
在数组末端增加/删除、定位、更新元素，只允许占 O(1) 的时间复杂度（平摊（amortized）去分配内存以获取更多空间）
在数组任何地方插入/移除元素，只允许 O(n) 的时间复杂度
空间复杂度
因为在内存中分配的空间邻近，所以有助于提高性能
空间需求 = （大于或等于 n 的数组容积）* 元素的大小。即便空间需求为 2n，其空间复杂度仍然是 O(n)
链表（Linked Lists）
介绍：
并非看完整个视频，只需要看关于节点结果和内存分配那一部分即可
链表 vs 数组：
的确：你需要关于“指向指针的指针”的相关知识：（因为当你传递一个指针到一个函数时，该函数可能会改变指针所指向的地址）该页只是为了让你了解“指向指针的指针”这一概念。但我并不推荐这种链式遍历的风格。因为，这种风格的代码，其可读性和可维护性太低。
实现（我实现了使用尾指针以及没有使用尾指针这两种情况）：
size() —— 返回链表中数据元素的个数
empty() —— 若链表为空则返回一个布尔值 true
value_at(index) —— 返回第 n 个元素的值（从0开始计算）
push_front(value) —— 添加元素到链表的首部
pop_front() —— 删除首部元素并返回其值
push_back(value) —— 添加元素到链表的尾部
pop_back() —— 删除尾部元素并返回其值
front() —— 返回首部元素的值
back() —— 返回尾部元素的值
insert(index, value) —— 插入值到指定的索引，并把当前索引的元素指向到新的元素
erase(index) —— 删除指定索引的节点
value_n_from_end(n) —— 返回倒数第 n 个节点的值
reverse() —— 逆序链表
remove_value(value) —— 删除链表中指定值的第一个元素
双向链表
并不需要实现
堆栈（Stack）
可以不实现，因为使用数组来实现并不重要
队列（Queue）
使用含有尾部指针的链表来实现:
enqueue(value) —— 在尾部添加值
dequeue() —— 删除最早添加的元素并返回其值（首部元素）
empty()
使用固定大小的数组实现：
enqueue(value) —— 在可容的情况下添加元素到尾部
dequeue() —— 删除最早添加的元素并返回其值
empty()
full()
花销：
在糟糕的实现情况下，使用链表所实现的队列，其入列和出列的时间复杂度将会是 O(n)。因为，你需要找到下一个元素，以致循环整个队列
enqueue：O(1)（平摊（amortized）、链表和数组 [探测（probing）]）
dequeue：O(1)（链表和数组）
empty：O(1)（链表和数组）
哈希表（Hash table）
视频：
（进阶）随机取样（Randomization）：全域哈希（Universal Hashing）& 完美哈希（Perfect Hashing）（视频）
在线课程：
分布式哈希表：
使用线性探测的数组去实现
hash(k, m) —— m 是哈希表的大小
add(key, value) —— 如果 key 已存在则更新值
exists(key)
get(key)
remove(key)
更多的知识
二分查找（Binary search）
实现：
二分查找（在一个已排序好的整型数组中查找）
迭代式二分查找
按位运算（Bitwise operations）
你需要知道大量2的幂数值（从2^1 到 2^16 及 2^32）
好好理解位操作符的含义：&、|、^、~、>>、<<
好的介绍：
一补数和补码
计算置位（Set Bits）
四舍五入2的幂数：
交换值：
绝对值：
树（Trees）
树 —— 笔记 & 背景
基本的树形结构
遍历
操作算法
BFS（广度优先检索，breadth-first search）
层序遍历（使用队列的 BFS 算法）
时间复杂度： O(n)
空间复杂度：
最好情况： O(1)
最坏情况：O(n/2)=O(n)
DFS（深度优先检索，depth-first search）
笔记：
时间复杂度：O(n)
空间复杂度：
最好情况：O(log n) - 树的平均高度
最坏情况：O(n)
中序遍历（DFS：左、节点本身、右）
后序遍历（DFS：左、右、节点本身）
先序遍历（DFS：节点本身、左、右）
二叉查找树（Binary search trees）：BSTs
从符号表开始到 BST 程序
C/C++:
实现：
insert // 往树上插值
get_node_count // 查找树上的节点数
print_values // 从小到大打印树中节点的值
delete_tree
is_in_tree // 如果值存在于树中则返回 true
get_height // 返回节点所在的高度（如果只有一个节点，那么高度则为1）
get_min // 返回树上的最小值
get_max // 返回树上的最大值
is_binary_search_tree
delete_value
get_successor // 返回给定值的后继者，若没有则返回-1
堆（Heap） / 优先级队列（Priority Queue） / 二叉堆（Binary Heap）
可视化是一棵树，但通常是以线性的形式存储（数组、链表）
实现一个大顶堆：
insert
sift_up —— 用于插入元素
get_max —— 返回最大值但不移除元素
get_size() —— 返回存储的元素数量
is_empty() —— 若堆为空则返回 true
extract_max —— 返回最大值并移除
sift_down —— 用于获取最大值元素
remove(i) —— 删除指定索引的元素
heapify —— 构建堆，用于堆排序
heap_sort() —— 拿到一个未排序的数组，然后使用大顶堆进行就地排序
注意：若用小顶堆可节省操作，但导致空间复杂度加倍。（无法做到就地）
字典树（Tries）
需要注意的是，字典树各式各样。有些有前缀，而有些则没有。有些使用字符串而不使用比特位来追踪路径。
阅读代码，但不实现。
短课程视频：
平衡查找树（Balanced search trees）
掌握至少一种平衡查找树（并懂得如何实现）：
“在各种平衡查找树当中，AVL 树和2-3树已经成为了过去，而红黑树（red-black trees）看似变得越来越受人青睐。这种令人特别感兴趣的数据结构，亦称伸展树（splay tree）。它可以自我管理，且会使用轮换来移除任何访问过根节点的 key。” —— Skiena
因此，在各种各样的平衡查找树当中，我选择了伸展树来实现。虽然，通过我的阅读，我发现在 Google 的面试中并不会被要求实现一棵平衡查找树。但是，为了胜人一筹，我们还是应该看看如何去实现。在阅读了大量关于红黑树的代码后，我才发现伸展树的实现确实会使得各方面更为高效。
伸展树：插入、查找、删除函数的实现，而如果你最终实现了红黑树，那么请尝试一下：
跳过删除函数，直接实现搜索和插入功能
我希望能阅读到更多关于 B 树的资料，因为它也被广泛地应用到大型的数据库当中。
AVL 树
实际中：我能告诉你的是，该种树并无太多的用途，但我能看到有用的地方在哪里：AVL 树是另一种平衡查找树结构。其可支持时间复杂度为 O(log n) 的查询、插入及删除。它比红黑树严格意义上更为平衡，从而导致插入和删除更慢，但遍历却更快。正因如此，才彰显其结构的魅力。只需要构建一次，就可以在不重新构造的情况下读取，适合于实现诸如语言字典（或程序字典，如一个汇编程序或解释程序的操作码）。
伸展树
实际中：伸展树一般用于缓存、内存分配者、路由器、垃圾回收者、数据压缩、ropes（字符串的一种替代品，用于存储长串的文本字符）、Windows NT（虚拟内存、网络及文件系统）等的实现。
MIT 教程：伸展树（Splay trees）：
该教程会过于学术，但请观看到最后的10分钟以确保掌握。
2-3查找树
实际中：2-3树的元素插入非常快速，但却有着查询慢的代价（因为相比较 AVL 树来说，其高度更高）。
你会很少用到2-3树。这是因为，其实现过程中涉及到不同类型的节点。因此，人们更多地会选择红黑树。
2-3-4树 (亦称2-4树)
实际中：对于每一棵2-4树，都有着对应的红黑树来存储同样顺序的数据元素。在2-4树上进行插入及删除操作等同于在红黑树上进行颜色翻转及轮换。这使得2-4树成为一种用于掌握红黑树背后逻辑的重要工具。这就是为什么许多算法引导文章都会在介绍红黑树之前，先介绍2-4树，尽管2-4树在实际中并不经常使用。
B 树
有趣的是：为啥叫 B 仍然是一个神秘。因为 B 可代表波音（Boeing）、平衡（Balanced）或 Bayer（联合创造者）
实际中：B 树会被广泛适用于数据库中，而现代大多数的文件系统都会使用到这种树（或变种)。除了运用在数据库中，B 树也会被用于文件系统以快速访问一个文件的任意块。但存在着一个基本的问题，那就是如何将文件块 i 转换成一个硬盘块（或一个柱面-磁头-扇区）上的地址。
覆盖有高速缓存参数无关型（cache-oblivious）B 树和非常有趣的数据结构
头37分钟讲述的很专业，或许可以跳过（B 指块的大小、即缓存行的大小）
红黑树
实际中：红黑树提供了在最坏情况下插入操作、删除操作和查找操作的时间保证。这些时间值的保障不仅对时间敏感型应用有用，例如实时应用，还对在其他数据结构中块的构建非常有用，而这些数据结构都提供了最坏情况下的保障；例如，许多用于计算几何学的数据结构都可以基于红黑树，而目前 Linux 系统所采用的完全公平调度器（the Completely Fair Scheduler）也使用到了该种树。在 Java 8中，红黑树也被用于存储哈希列表集合中相同的数据，而不是使用链表及哈希码。
N 叉树（K 叉树、M 叉树）
注意：N 或 K 指的是分支系数（即树的最大分支数）：
二叉树是一种分支系数为2的树
2-3树是一种分支系数为3的树
排序（Sorting）
笔记:
实现各种排序 & 知道每种排序的最坏、最好和平均的复杂度分别是什么场景:
不要用冒泡排序 - 大多数情况下效率感人 - 时间复杂度 O(n^2), 除非 n <= 16
排序算法的稳定性 (“快排是稳定的么?”)
哪种排序算法可以用链表？哪种用数组？哪种两者都可？
并不推荐对一个链表排序，但归并排序是可行的.
关于堆排序，请查看前文堆的数据结构部分。堆排序很强大，不过是非稳定排序。
斯坦福大学关于排序算法的视频:
Shai Simonson 视频, Aduni.org:
Steven Skiena 关于排序的视频:
加州大学伯克利分校（UC Berkeley） 大学课程:
归并排序:
快速排序:
实现:
归并：平均和最差情况的时间复杂度为 O(n log n)。
快排：平均时间复杂度为 O(n log n)。
选择排序和插入排序的最坏、平均时间复杂度都是 O(n^2)。
关于堆排序，请查看前文堆的数据结构部分。
有兴趣的话，还有一些补充 - 但并不是必须的:
图（Graphs）
图论能解决计算机科学里的很多问题，所以这一节会比较长，像树和排序的部分一样。
Yegge 的笔记:
有 3 种基本方式在内存里表示一个图:
对象和指针
矩阵
邻接表
熟悉以上每一种图的表示法，并了解各自的优缺点
宽度优先搜索和深度优先搜索 - 知道它们的计算复杂度和设计上的权衡以及如何用代码实现它们
遇到一个问题时，首先尝试基于图的解决方案，如果没有再去尝试其他的。
Skiena 教授的课程 - 很不错的介绍:
图 (复习和其他):
Aduni: 图的算法 II - 深度优先搜索, 广度优先搜索, Kruskal 算法, 并查集数据结构 - 第七课 (video)
完整的 Coursera 课程:
Yegge: 如果有机会，可以试试研究更酷炫的算法:
Dijkstra 算法 - 上文 - 6.006
A* 算法
我会实现:
DFS 邻接表 (递归)
DFS 邻接表 (栈迭代)
DFS 邻接矩阵 (递归)
DFS 邻接矩阵 (栈迭代)
BFS 邻接表
BFS 邻接矩阵
单源最短路径问题 (Dijkstra)
最小生成树
基于 DFS 的算法 (根据上文 Aduni 的视频):
检查环 (我们会先检查是否有环存在以便做拓扑排序)
拓扑排序
计算图中的连通分支
列出强连通分量
检查双向图
可以从 Skiena 的书（参考下面的书推荐小节）和面试书籍中学习更多关于图的实践。
更多知识
递归（Recursion）
Stanford 大学关于递归 & 回溯的课程:
什么时候适合使用
尾递归会更好么?
动态规划（Dynamic Programming）
This subject can be pretty difficult, as each DP soluble problem must be defined as a recursion relation, and coming up with it can be tricky.
这一部分会有点困难，每个可以用动态规划解决的问题都必须先定义出递推关系，要推导出来可能会有点棘手。
我建议先阅读和学习足够多的动态规划的例子，以便对解决 DP 问题的一般模式有个扎实的理解。
视频:
Skiena 的视频可能会有点难跟上，有时候他用白板写的字会比较小，难看清楚。
单独的 DP 问题 (每一个视频都很短):
Yale 课程笔记:
Coursera 课程:
组合（Combinatorics） (n 中选 k 个) & 概率（Probability）
可汗学院:
课程设置:
视频 - 41 (每一个都短小精悍):
NP, NP-完全和近似算法
知道最经典的一些 NP 完全问题，比如旅行商问题和背包问题,
而且能在面试官试图忽悠你的时候识别出他们。
知道 NP 完全是什么意思.
Simonson:
Skiena:
[CSE373 2012 - 课程 23 - 介绍 NP-完全性 IV (video)](https://youtu.be/KiK5TVgXbFg?list=PLOtl7M3y
