mirror of
https://github.com/zhwei820/learn.lianglianglee.com.git
synced 2025-09-27 05:36:42 +08:00
370 lines
24 KiB
HTML
370 lines
24 KiB
HTML
<!DOCTYPE html>
|
||
<!-- saved from url=(0046)https://kaiiiz.github.io/hexo-theme-book-demo/ -->
|
||
<html xmlns="http://www.w3.org/1999/xhtml">
|
||
<head>
|
||
<head>
|
||
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1, maximum-scale=1.0, user-scalable=no">
|
||
<link rel="icon" href="/static/favicon.png">
|
||
<title>22 面试中那些坑了无数人的算法题.md.html</title>
|
||
<!-- Spectre.css framework -->
|
||
<link rel="stylesheet" href="/static/index.css">
|
||
<!-- theme css & js -->
|
||
<meta name="generator" content="Hexo 4.2.0">
|
||
</head>
|
||
<body>
|
||
<div class="book-container">
|
||
<div class="book-sidebar">
|
||
<div class="book-brand">
|
||
<a href="/">
|
||
<img src="/static/favicon.png">
|
||
<span>技术文章摘抄</span>
|
||
</a>
|
||
</div>
|
||
<div class="book-menu uncollapsible">
|
||
<ul class="uncollapsible">
|
||
<li><a href="/" class="current-tab">首页</a></li>
|
||
</ul>
|
||
<ul class="uncollapsible">
|
||
<li><a href="../">上一级</a></li>
|
||
</ul>
|
||
<ul class="uncollapsible">
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/00 开篇词 数学，编程能力的营养根基.md.html">00 开篇词 数学，编程能力的营养根基</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/01 从计数开始，程序员必知必会的数制转换法.md.html">01 从计数开始，程序员必知必会的数制转换法</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/02 逻辑与沟通，怎样才能讲出有逻辑的话？.md.html">02 逻辑与沟通，怎样才能讲出有逻辑的话？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/03 用数学决策，如何规划好投入、转化和产出？.md.html">03 用数学决策，如何规划好投入、转化和产出？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/04 万物可数学，经典公式是如何在生活中应用的？.md.html">04 万物可数学，经典公式是如何在生活中应用的？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/05 求极值：如何找到复杂业务的最优解？.md.html">05 求极值：如何找到复杂业务的最优解？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/06 向量及其导数：计算机如何完成对海量高维度数据计算？.md.html">06 向量及其导数：计算机如何完成对海量高维度数据计算？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/07 线性回归：如何在离散点中寻找数据规律？.md.html">07 线性回归：如何在离散点中寻找数据规律？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/08 加乘法则：如何计算复杂事件发生的概率？.md.html">08 加乘法则：如何计算复杂事件发生的概率？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/09 似然估计：如何利用 MLE 对参数进行估计？.md.html">09 似然估计：如何利用 MLE 对参数进行估计？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/10 信息熵：事件的不确定性如何计算？.md.html">10 信息熵：事件的不确定性如何计算？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/11 灰度实验：如何设计灰度实验并计算实验的收益？.md.html">11 灰度实验：如何设计灰度实验并计算实验的收益？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/12 统计学方法：如何证明灰度实验效果不是偶然得到的？.md.html">12 统计学方法：如何证明灰度实验效果不是偶然得到的？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/13 复杂度：如何利用数学推导对程序进行优化？.md.html">13 复杂度：如何利用数学推导对程序进行优化？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/14 程序的循环：如何利用数学归纳法进行程序开发？.md.html">14 程序的循环：如何利用数学归纳法进行程序开发？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/15 递归：如何计算汉诺塔问题的移动步数？.md.html">15 递归：如何计算汉诺塔问题的移动步数？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/16 二分法：如何利用指数爆炸优化程序？.md.html">16 二分法：如何利用指数爆炸优化程序？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/17 动态规划：如何利用最优子结构解决问题？.md.html">17 动态规划：如何利用最优子结构解决问题？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/18 AI 入门：利用 3 个公式搭建最简 AI 框架.md.html">18 AI 入门：利用 3 个公式搭建最简 AI 框架</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/19 逻辑回归：如何让计算机做出二值化决策？.md.html">19 逻辑回归：如何让计算机做出二值化决策？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/20 决策树：如何对 NP 难复杂问题进行启发式求解？.md.html">20 决策树：如何对 NP 难复杂问题进行启发式求解？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/21 神经网络与深度学习：计算机是如何理解图像、文本和语音的？.md.html">21 神经网络与深度学习：计算机是如何理解图像、文本和语音的？</a>
|
||
</li>
|
||
<li>
|
||
<a class="current-tab" href="/专栏/程序员的数学课/22 面试中那些坑了无数人的算法题.md.html">22 面试中那些坑了无数人的算法题</a>
|
||
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/23 站在生活的十字路口，如何用数学抉择？.md.html">23 站在生活的十字路口，如何用数学抉择？</a>
|
||
</li>
|
||
<li>
|
||
<a href="/专栏/程序员的数学课/24 结束语 数学底子好，学啥都快.md.html">24 结束语 数学底子好，学啥都快</a>
|
||
</li>
|
||
</ul>
|
||
</div>
|
||
</div>
|
||
<div class="sidebar-toggle" onclick="sidebar_toggle()" onmouseover="add_inner()" onmouseleave="remove_inner()">
|
||
<div class="sidebar-toggle-inner"></div>
|
||
</div>
|
||
<script>
|
||
function add_inner() {
|
||
let inner = document.querySelector('.sidebar-toggle-inner')
|
||
inner.classList.add('show')
|
||
}
|
||
function remove_inner() {
|
||
let inner = document.querySelector('.sidebar-toggle-inner')
|
||
inner.classList.remove('show')
|
||
}
|
||
function sidebar_toggle() {
|
||
let sidebar_toggle = document.querySelector('.sidebar-toggle')
|
||
let sidebar = document.querySelector('.book-sidebar')
|
||
let content = document.querySelector('.off-canvas-content')
|
||
if (sidebar_toggle.classList.contains('extend')) { // show
|
||
sidebar_toggle.classList.remove('extend')
|
||
sidebar.classList.remove('hide')
|
||
content.classList.remove('extend')
|
||
} else { // hide
|
||
sidebar_toggle.classList.add('extend')
|
||
sidebar.classList.add('hide')
|
||
content.classList.add('extend')
|
||
}
|
||
}
|
||
function open_sidebar() {
|
||
let sidebar = document.querySelector('.book-sidebar')
|
||
let overlay = document.querySelector('.off-canvas-overlay')
|
||
sidebar.classList.add('show')
|
||
overlay.classList.add('show')
|
||
}
|
||
function hide_canvas() {
|
||
let sidebar = document.querySelector('.book-sidebar')
|
||
let overlay = document.querySelector('.off-canvas-overlay')
|
||
sidebar.classList.remove('show')
|
||
overlay.classList.remove('show')
|
||
}
|
||
</script>
|
||
<div class="off-canvas-content">
|
||
<div class="columns">
|
||
<div class="column col-12 col-lg-12">
|
||
<div class="book-navbar">
|
||
<!-- For Responsive Layout -->
|
||
<header class="navbar">
|
||
<section class="navbar-section">
|
||
<a onclick="open_sidebar()">
|
||
<i class="icon icon-menu"></i>
|
||
</a>
|
||
</section>
|
||
</header>
|
||
</div>
|
||
<div class="book-content" style="max-width: 960px; margin: 0 auto;
|
||
overflow-x: auto;
|
||
overflow-y: hidden;">
|
||
<div class="book-post">
|
||
<p id="tip" align="center"></p>
|
||
<div><h1>22 面试中那些坑了无数人的算法题</h1>
|
||
<p>前面的课时，我们学习了“代数与统计”“算法与数据结构”，至今这门课程的主体知识已告一段落，下面我们进入彩蛋环节，我会向你介绍两个应用到数学的场景，第一个是求职面试，第二个是做人生规划。</p>
|
||
<p>这一讲，我们先聊一聊求职面试时常见的数学题。</p>
|
||
<p>毕业后，相信你一定参加过不少的面试吧。在求职面试的时候，即使目标工作岗位很少需要直接使用数学知识，也依然有不少面试官非常注重候选人的数学水平，而这并不是没有依据的。因为绝大多数的岗位，都需要候选人具有逻辑推理能力和解决问题的能力。而这些能力在数学上都能有所体现。</p>
|
||
<p>下面，我们通过三个例题，带大家体验一下面试中的数学。</p>
|
||
<h3>例题1 抛硬币问题</h3>
|
||
<p>假设你和大漂亮在玩抛硬币游戏。硬币的正面朝上可得 1 分，背面朝上则分数不变。如果大漂亮可以抛 51 次硬币，而你只能抛 50 次硬币，那么大漂亮分数比你高的概率是多少？</p>
|
||
<p>这个问题如果用计算机进行仿真求解，就会非常容易，我们给出下面的代码。</p>
|
||
<pre><code>import random
|
||
dapiaoliang = 0
|
||
you = 0
|
||
win = 0
|
||
for _ in range(1000):
|
||
for _ in range(51):
|
||
if random.randint(0,1) == 1:
|
||
dapiaoliang += 1
|
||
for _ in range(50):
|
||
if random.randint(0,1) == 1:
|
||
you += 1
|
||
if dapiaoliang > you:
|
||
win += 1
|
||
dapiaoliang = 0
|
||
you = 0
|
||
print win
|
||
</code></pre>
|
||
<p>我们对代码进行走读：</p>
|
||
<ul>
|
||
<li>第 3、4 行，分别定义两个变量来保存大漂亮和你的得分；</li>
|
||
<li>第 5 行，用 win 变量来记录大漂亮获胜的次数；</li>
|
||
<li>第 6 行开始，执行一个重复 1000 次的循环；</li>
|
||
<li>在每次的循环内部，先在第 7～9 行，通过 51 次的循环，模拟出大漂亮的得分；</li>
|
||
<li>再在第 10～12 行，通过 50 次的循环，模拟出你的得分；</li>
|
||
<li>在 13、14 行判断，如果大漂亮分数比你高，则大漂亮获胜一局。</li>
|
||
</ul>
|
||
<p>最终，打印出大漂亮获胜的局数。我们运行代码的结果如下图。</p>
|
||
<p><img src="assets/CgpVE1_tlQqAHftLAABE5ruo4OM414.png" alt="png" /></p>
|
||
<p>可见，在 1000 次的游戏中，大漂亮获胜了 502 次。这样，我们可以估算出，大漂亮获胜的概率为 0.502。</p>
|
||
<h4>【数学角度解答】</h4>
|
||
<p>我们再从数学的角度重新计算一下这道题。在这里，我们需要通过加乘法则去拆解一下事件。假设 A 事件代表大漂亮抛 51 次硬币的得分，B 事件代表你抛 50 次硬币的得分，要计算的目标是 A 大于 B 的概率 P(A>B)。</p>
|
||
<p>每次抛硬币是独立的事件，独立事件共同发生的概率满足乘法法则。因此，可以把大漂亮的得分，拆解为前 50 次抛硬币的得分（M 事件）和最后一次抛硬币的得分（ N 事件）。</p>
|
||
<blockquote>
|
||
<p>而其中，最后一次抛硬币，只有正面得 1 分或者背面得 0 分两种情况。</p>
|
||
</blockquote>
|
||
<p>对于一个事件的两个可能的结果分支，可以通过加法法则来求概率，因此有下面的公式。</p>
|
||
<p>P(A>B)=P(M+N>B)=
|
||
P(N=0)·P(M+0>B)+P(N=1)·P(M+1>B)=
|
||
0.5·P(M+0>B) + 0.5·P(M+1>B)</p>
|
||
<p>对于最后一项 P(M+1>B) 等价于 P(M≥B)。这是因为，如果 M 大于或等于 B，则 M+1 必然是大于 B 的；反过来，M 和 B 是抛硬币正面朝上的次数，所以必然是整数。如果 M+1 比 B 大，那么 M 必然会大于或等于 B。因此，有二者概率相等，即 P(M+1>B) = P(M≥B)。</p>
|
||
<p>我们把这个关系带入到 P(A>B) 中，则有 P(A>B)=0.5·P(M>B)+0.5·P(M>=B)</p>
|
||
<p>再根据加法法则，则有 P(A>B)=0.5·P(M>B)+0.5·P(M>B)+0.5·P(M=B)</p>
|
||
<p>别忘了，M 事件代表“大漂亮前 50 次抛硬币的得分”，而 B 事件是“你抛 50 次硬币的得分”。区别只剩下了抛硬币的人不一样。不管是谁抛硬币，正面朝上的概率始终都是1/2。所以从结果来看，这两个事件是完全等价的，</p>
|
||
<p>则有 P(M>B) = P(M<B)。</p>
|
||
<p>因此 P(A>B)
|
||
= 0.5·P(M>B)+0.5·P(M<B)+0.5·P(M=B) = 0.5·[P(M>B)+P(M<B)+P(M=B)]</p>
|
||
<p>注意：M 和 B 的关系只有大于、小于或者等于，所以 P(M>B)+P(M<B)+P(M=B) 之和为 1。因此，可以得到结果为 P(A>B) = 0.5·[P(M>B)+P(M<B)+P(M=B)] = 0.5</p>
|
||
<p>这与我们用代码仿真计算的结果是一致的。</p>
|
||
<h3>例题2 数据上溢问题</h3>
|
||
<p>对于一个 Sigmoid 函数，y=1/(1+e-x)。假设输入的自变量 x 很小，为 -1000000。因为要先计算 e-x 的值，即 e1000000，如下图所示，直接计算就会先得到一个非常大的数字而抛出异常。那么在线上代码中，该如何规避这种情况，计算出输出值呢？</p>
|
||
<p><img src="assets/CgqCHl_tlRyAGEVyAAOiGgi9i8A083.png" alt="png" /></p>
|
||
<p>其实，这里可以用到一个非常简单的技巧，对公式做个变形就能让程序适应这种情况了。我们知道，Sigmoid 函数的结果是一个在 0~1 之间的连续值。而之所以产生数据溢出是因为要先计算e-x 的值。处理这种情况，我们可以从数学的角度，对分子和分母都乘以 ex 这一项，则有</p>
|
||
<p>y = 1/(1+e-x) = ex/(ex+1)。</p>
|
||
<p>此时，输入 x=-1000000，则需要计算 ex，得到结果为 0.0。再带入到 Sigmoid 函数中，就可以得到结果啦。</p>
|
||
<p>可能你还会问，对公式做了变形之后，如果 x 为很大的正数，如 1000000，岂不是又数据溢出抛异常了吗？如果 x 为很大的正数，我们直接用 Sigmoid 函数的原始形态 y=1/(1+e-x) 就可以了。</p>
|
||
<p>综合上面两种情况，我们可将x分正数及非正数分别计算，来避免数据的溢出。即</p>
|
||
<ul>
|
||
<li>如果 x>0，则 y = 1/(1+e-x)</li>
|
||
<li>如果 x<0，则 y = ex/(1+ex)</li>
|
||
</ul>
|
||
<p>实现的代码如下：</p>
|
||
<pre><code>import math
|
||
def sigmoid(x):
|
||
if x < 0:
|
||
y = math.pow(math.e,x) / (1 + math.pow(math.e,x))
|
||
else:
|
||
y = 1 / (1 + math.pow(math.e,-x))
|
||
return y
|
||
a = -1000000
|
||
b = 1000000
|
||
print sigmoid(a)
|
||
print sigmoid(b)
|
||
</code></pre>
|
||
<p>我们对代码进行走读：</p>
|
||
<ul>
|
||
<li>在 Sigmoid 函数的代码中，第 4 行，判断 x 和 0 的大小关系；</li>
|
||
<li>如果 x 为负数，则通过第 5 行的公式计算 y；</li>
|
||
<li>如果 x 不是负数，则通过第 7 行的公式来计算 y。</li>
|
||
</ul>
|
||
<p>我们在主函数中，分别输入了非常小和非常大的两个数字，并顺利得到结果分别为 0.0 和 1.0，如下图所示。</p>
|
||
<p><img src="assets/CgqCHl_tlSeAJpQ6AABCtn1OaL8521.png" alt="png" /></p>
|
||
<h3>例题3 投点距离期望问题</h3>
|
||
<p>假设在墙上有一个半径为 10 厘米的圆形区域，现在大迷糊用飞镖向这个圆形区域进行均匀随机的投射。假设大迷糊不会“脱靶”，求大迷糊扎到的点到圆形区域圆心距离的期望。</p>
|
||
<p>这个题用代码仿真会非常容易，我们给出下面的代码。</p>
|
||
<pre><code>import random
|
||
import math
|
||
inCircle = 0
|
||
distance = 0.0
|
||
for _ in range(1000):
|
||
x = 1.0 * random.randint(0,1000) / 100
|
||
y = 1.0 * random.randint(0,1000) / 100
|
||
if x * x + y * y > 100:
|
||
continue
|
||
else:
|
||
inCircle += 1
|
||
distance += math.sqrt(x * x + y * y)
|
||
print distance / inCircle
|
||
</code></pre>
|
||
<p>我们对代码进行走读：</p>
|
||
<ul>
|
||
<li>第 4 行，保存合法的投射次数变量；</li>
|
||
<li>第 5 行，是累计的距离之和变量；</li>
|
||
<li>第 6 行，通过 for 循环执行多次的投射动作；</li>
|
||
<li>每次投射，第 7 行和第 8 行，随机地生成投射点的坐标变量 x 和 y（在这里，我们精确到小数点后两位）；</li>
|
||
<li>第 9 行，如果坐标点的平方和超过 100，也就是投射点在 10 厘米的圆形之外；</li>
|
||
<li>那么第 10 行，执行 continue，继续下一轮循环；</li>
|
||
<li>否则，说明投射点在圆内，执行第 11 行的代码；</li>
|
||
<li>第 12 行，合法投射次数加 1；</li>
|
||
<li>第 13 行，通过本次投射点到圆心的距离，更新累计的距离之和；</li>
|
||
<li>最后第 14 行，打印累计距离和合法投射次数的比值，得到了平均距离。</li>
|
||
</ul>
|
||
<p>这也是投射点到圆心距离的期望，我们运行代码的结果为 6.66 厘米，如下图所示。</p>
|
||
<p><img src="assets/Ciqc1F_tlS6AK2f7AABGjfsXxYU116.png" alt="png" /></p>
|
||
<p>接下来，我们再从数学的角度来计算一下这个题目。</p>
|
||
<h4>【数学角度解答】</h4>
|
||
<p>题目中，要求解的是一个点到圆心距离这个随机变量的期望。很显然，点到圆心的距离是个连续值。要求某个连续型随机变量的期望，可以用期望的定义式来计算，即</p>
|
||
<p><img src="assets/Cip5yF_0HUqAOF9BAAAjCCYcaoY309.png" alt="图片8.png" /></p>
|
||
<p>所以，当你在工作中遇到“某连续型变量的期望”时，它一定可以写成上面的积分形式，这是定义式，也是公理。</p>
|
||
<p>在我们这个问题中，随机变量 x 是点到圆心的距离。由于投射点不可以在圆形以外，所以这个距离的取值范围是 0～10。因此，我们可以把上面的公式改写为</p>
|
||
<p><img src="assets/Cip5yF_0HVKAbUCQAAAicNJwXKI890.png" alt="图片9.png" /></p>
|
||
<p>那么问题来了，这里的概率密度函数 f(x) 的表达式是什么呢？别忘了，概率论告诉我们，概率密度函数是概率分布函数的导数。</p>
|
||
<p>我们不妨试着求一下投射问题的概率分布函数。假设在圆内有一个小圆，半径是 x0。那么投射点恰好也在小圆内的概率为 P(x<x0) = π·x02/π·102 = x02/102。</p>
|
||
<p>因此，概率分布函数为 F(x) = x2/102；又因为，概率密度函数是概率分布函数的导数，所以概率密度函数为 f(x) = 2x/102。</p>
|
||
<p>我们把这些条件都带入到期望的公式中，则有</p>
|
||
<p><img src="assets/CgqCHl_0HaWAJ0mbAADyboYaUTE926.png" alt="png" /></p>
|
||
<p>这与我们用代码求解的 6.66 厘米是一致的。</p>
|
||
<h3>小结</h3>
|
||
<p>我们对这一讲进行总结。这一课时的内容是面试中的数学，面试官会通过一个简单的数学题，考察候选人解决问题的思考路径。</p>
|
||
<p>数学题的魅力就在于活学活用，你很难遇到同一道题，所以靠死记硬背是不行的。只有深入理解数学原理，才能做到在面试的数学考察中游刃有余。在备考的时候，应该注意在基本功方面多花时间去做到深入理解。对于每个知识点的适用范围，来龙去脉做到掌握。</p>
|
||
<p>如果你遇到了一个让你束手无策的题目，不妨试着从下面两个角度寻找突破口。</p>
|
||
<ul>
|
||
<li>第一个角度，从问题出发去寻找突破口。</li>
|
||
</ul>
|
||
<p>例如，本课时的投点距离期望问题。这个题目要计算的是连续型随机变量的期望，那么它一定可以用连续型随机变量期望的定义式表示。接下来，问题就变成了对这个定义式的未知量进行计算求解。</p>
|
||
<ul>
|
||
<li>第二个角度，从已知条件出发去寻找突破口。</li>
|
||
</ul>
|
||
<p>例如，在抛硬币问题中，已知条件是大漂亮抛了 51 次，你抛了 50 次。抛 51 次，可以拆分为抛 50 次和抛 1 次。这样，我们就得到了大漂亮抛 50 次和你抛 50 次，这样等价的两个事件。基于这两个事件，就能推导出大漂亮得分比你高的概率。</p>
|
||
<p>这些寻找突破口的方法，是候选人解决问题能力的集中体现；也是数学题、算法题千变万化后，唯一不变的规律。</p>
|
||
</div>
|
||
</div>
|
||
<div>
|
||
<div style="float: left">
|
||
<a href="/专栏/程序员的数学课/21 神经网络与深度学习：计算机是如何理解图像、文本和语音的？.md.html">上一页</a>
|
||
</div>
|
||
<div style="float: right">
|
||
<a href="/专栏/程序员的数学课/23 站在生活的十字路口，如何用数学抉择？.md.html">下一页</a>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
<a class="off-canvas-overlay" onclick="hide_canvas()"></a>
|
||
</div>
|
||
<script defer src="https://static.cloudflareinsights.com/beacon.min.js/v652eace1692a40cfa3763df669d7439c1639079717194" integrity="sha512-Gi7xpJR8tSkrpF7aordPZQlW2DLtzUlZcumS8dMQjwDHEnw9I7ZLyiOj/6tZStRBGtGgN6ceN6cMH8z7etPGlw==" data-cf-beacon='{"rayId":"70997bef7eda3cfa","version":"2021.12.0","r":1,"token":"1f5d475227ce4f0089a7cff1ab17c0f5","si":100}' crossorigin="anonymous"></script>
|
||
</body>
|
||
<!-- Global site tag (gtag.js) - Google Analytics -->
|
||
<script async src="https://www.googletagmanager.com/gtag/js?id=G-NPSEEVD756"></script>
|
||
<script>
|
||
window.dataLayer = window.dataLayer || [];
|
||
function gtag() {
|
||
dataLayer.push(arguments);
|
||
}
|
||
gtag('js', new Date());
|
||
gtag('config', 'G-NPSEEVD756');
|
||
var path = window.location.pathname
|
||
var cookie = getCookie("lastPath");
|
||
console.log(path)
|
||
if (path.replace("/", "") === "") {
|
||
if (cookie.replace("/", "") !== "") {
|
||
console.log(cookie)
|
||
document.getElementById("tip").innerHTML = "<a href='" + cookie + "'>跳转到上次进度</a>"
|
||
}
|
||
} else {
|
||
setCookie("lastPath", path)
|
||
}
|
||
function setCookie(cname, cvalue) {
|
||
var d = new Date();
|
||
d.setTime(d.getTime() + (180 * 24 * 60 * 60 * 1000));
|
||
var expires = "expires=" + d.toGMTString();
|
||
document.cookie = cname + "=" + cvalue + "; " + expires + ";path = /";
|
||
}
|
||
function getCookie(cname) {
|
||
var name = cname + "=";
|
||
var ca = document.cookie.split(';');
|
||
for (var i = 0; i < ca.length; i++) {
|
||
var c = ca[i].trim();
|
||
if (c.indexOf(name) === 0) return c.substring(name.length, c.length);
|
||
}
|
||
return "";
|
||
}
|
||
</script>
|
||
</html>
|