Add Dart codes to the documents. (#529)

docs/chapter_searching/binary_search.md

@@ -104,6 +104,12 @@
     [class]{}-[func]{binarySearch}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search.dart"
+    [class]{}-[func]{binarySearch}
+    ```
+
 时间复杂度为 $O(\log n)$ 。每轮缩小一半区间，因此二分循环次数为 $\log_2 n$ 。
 
 空间复杂度为 $O(1)$  。指针 `i` , `j` 使用常数大小空间。
@@ -174,6 +180,12 @@
     [class]{}-[func]{binarySearchLCRO}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search.dart"
+    [class]{}-[func]{binarySearchLCRO}
+    ```
+
 如下图所示，在两种区间表示下，二分查找算法的初始化、循环条件和缩小区间操作皆有所不同。
 
 在“双闭区间”表示法中，由于左右边界都被定义为闭区间，因此指针 $i$ 和 $j$ 缩小区间操作也是对称的。这样更不容易出错。因此，**我们通常采用“双闭区间”的写法**。

docs/chapter_searching/binary_search_edge.md

@@ -112,6 +112,12 @@
     [class]{}-[func]{binarySearchLeftEdge}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_edge.dart"
+    [class]{}-[func]{binarySearchLeftEdge}
+    ```
+
 ## 查找右边界
 
 类似地，我们也可以二分查找最右边的 `target` 。当 `nums[m] == target` 时，说明大于 `target` 的元素在区间 $[m + 1, j]$ 中，因此执行 `i = m + 1` ，**使得指针 $i$ 向大于 `target` 的元素靠近**。
@@ -178,6 +184,12 @@
     [class]{}-[func]{binarySearchRightEdge}
     ```
 
+=== "Dart"
+
+    ```dart title="binary_search_edge.dart"
+    [class]{}-[func]{binarySearchRightEdge}
+    ```
+
 观察下图，搜索最右边元素时指针 $j$ 的作用与搜索最左边元素时指针 $i$ 的作用一致，反之亦然。也就是说，**搜索最左边元素和最右边元素的实现是镜像对称的**。
 
 ![查找最左边和最右边元素的对称性](binary_search_edge.assets/binary_search_left_right_edge.png)

docs/chapter_searching/replace_linear_by_hashing.md

@@ -72,6 +72,12 @@
     [class]{}-[func]{twoSumBruteForce}
     ```
 
+=== "Dart"
+
+    ```dart title="two_sum.dart"
+    [class]{}-[func]{twoSumBruteForce}
+    ```
+
 此方法的时间复杂度为 $O(n^2)$ ，空间复杂度为 $O(1)$ ，在大数据量下非常耗时。
 
 ## 哈希查找：以空间换时间
@@ -154,6 +160,12 @@
     [class]{}-[func]{twoSumHashTable}
     ```
 
+=== "Dart"
+
+    ```dart title="two_sum.dart"
+    [class]{}-[func]{twoSumHashTable}
+    ```
+
 此方法通过哈希查找将时间复杂度从 $O(n^2)$ 降低至 $O(n)$ ，大幅提升运行效率。
 
 由于需要维护一个额外的哈希表，因此空间复杂度为 $O(n)$ 。**尽管如此，该方法的整体时空效率更为均衡，因此它是本题的最优解法**。