前端数据结构与算法
1. 递归
递归就是自己调自己，递归在前端里面算是一种比较常用的算法。假设现在有一堆数据要处理，要实现上一次请求完成了，才能去调下一个请求。一个是可以用Promise，就像《前端与SQL》这篇文章里面提到的。但是有时候并不想引入Promise，能简单处理先简单处理。这个时候就可以用递归，如下代码所示：
var ids = [34112, 98325, 68125];
(function sendRequest(){
var id = ids.shift();
if(id){
$.ajax({url: "/get", data: {id}}).always(function(){
//do sth.
console.log("finished");
sendRequest();
});
} else {
console.log("finished");
}
})();
上面代码定义了一个sendRequest的函数，在请求完成之后再调一下自己。每次调之前先取一个数据，如果数组已经为空，则说明处理完了。这样就用简单的方式实现了串行请求不堵塞的功能。
再来讲另外一个场景：DOM树。
由于DOM是一棵树，而树的定义本身就是用的递归定义，所以用递归的方法处理树，会非常地简单自然。例如用递归实现一个查DOM的功能document.getElementById。
function getElementById(node, id){
if(!node) return null;
if(node.id === id) return node;
for(var i = 0; i < node.childNodes.length; i++){
var found = getElementById(node.childNodes[i], id);
if(found) return found;
}
return null;
}
getElementById(document, "d-cal");
document是DOM树的根结点，一般从document开始往下找。在for循环里面先找document的所有子结点，对所有子结点递归查找他们的子结点，一层一层地往下查找。如果已经到了叶子结点了还没有找到，则在第二行代码的判断里面返回null，返回之后for循环的i加1，继续下一个子结点。如果当前结点的id符合查找条件，则一层层地返回。所以这是一个深度优先的遍历，每次都先从根结点一直往下直到叶子结点，再从下往上返回。
最后在控制台验证一下，执行结果如下图所示：
使用递归的优点是代码简单易懂，缺点是效率比不上非递归的实现。Chrome浏览器的查DOM是使用非递归实现。非递归要怎么实现呢？
如下代码：
function getByElementId(node, id){
//遍历所有的Node
while(node){
if(node.id === id) return node;
node = nextElement(node);
}
return null;
}
还是依次遍历所有的DOM结点，只是这一次改成一个while循环，函数nextElement负责找到下一个结点。所以关键在于这个nextElement如何非递归实现，如下代码所示：
function nextElement(node){
if(node.children.length) {
return node.children[0];
}
if(node.nextElementSibling){
return node.nextElementSibling;
}
while(node.parentNode){
if(node.parentNode.nextElementSibling) {
return node.parentNode.nextElementSibling;
}
node = node.parentNode;
}
return null;
}
还是用深度遍历，先找当前结点的子结点，如果它有子结点，则下一个元素就是它的第一个子结点，否则判断它是否有相邻元素，如果有则返回它的下一个相邻元素。如果它既没有子结点，也没有下一个相邻元素，则要往上返回它的父结点的下一个相邻元素，相当于上面递归实现里面的for循环的i加1.
在控制台里面运行这段代码，同样也可以正确地输出结果。不管是非递归还是递归，它们都是深度优先遍历，这个过程如下图所示。
实际上getElementById浏览器是用的一个哈希map存储的，根据id直接映射到DOM结点，而getElementsByClassName就是用的这样的非递归查找。
上面是单个选择器的查找，按id，按class等，多个选择器应该如何查找呢？
2. 复杂选择器的查DOM
如实现一个document.querySelector：
document.querySelector(".mls-info > div .copyright-content")
首先把复杂选择器做一个解析，序列为以下格式：
//把selector解析为
var selectors = [
{relation: "descendant", matchType: "class", value: "copyright-content"},
{relation: "child", matchType: "tag", value: "div"},
{relation: "subSelector", matchType: "class", value: "mls-info"}];
从右往左，第一个selector是.copyright-content，它是一个类选择器，所以它的matchType是class，它和第二个选择器是祖先和子孙关系，因此它的relation是descendant；同理第二个选择器的matchType是tag，而relation是child，表示是第三个选择器的直接子结点；第三个选择器也是class，但是它没有下一个选择器了，relation用subSelector表示。
matchType的作用就在于用来比较当前选择器是否match，如下代码所示：
function match(node, selector){
if(node === document) return false;
switch(selector.matchType){
//如果是类选择器
case "class":
return node.className.trim().split(/ +/).indexOf(selector.value) >= 0;
//如果是标签选择器
case "tag":
return node.tagName.toLowerCase() === selector.value. toLowerCase();
default:
throw "unknown selector match type";
}
}
根据不同的matchType做不同的匹配。
在匹配的时候，从右往左，依次比较每个选择器是否match. 在比较下一个选择器的时候，需要找到相应的DOM结点，如果当前选择器是下一个选择器的子孙时，则需要比较当前选择器所有的祖先结点，一直往上直到document；而如果是直接子元素的关系，则比较它的父结点即可。所以需要有一个找到下一个目标结点的函数：
function nextTarget(node, selector){
if(!node || node === document) return null;
switch(selector.relation){
case "descendant":
return {node: node.parentNode, hasNext: true};
case "child":
return {node: node.parentNode, hasNext: false};
case "sibling":
return {node: node.previousSibling, hasNext: true};
default:
throw "unknown selector relation type";
//hasNext表示当前选择器relation是否允许继续找下一个节点
}
}
有了nextTarge和match这两个函数就可以开始遍历DOM，如下代码所示：
最外层的while循环和简单选择器一样，都是要遍历所有DOM结点。对于每个结点，先判断第一个选择器是否match，如果不match的话，则继续下一个结点，如果不是标签选择器，对于绝大多数结点将会在这里判断不通过。如果第一个选择器match了，则根据第一个选择器的relation，找到下一个target，判断下一个targe是否match下一个selector，只要有一个target匹配上了，则退出里层的while循环，继续下一个选择器，如果所有的selector都能匹配上说明匹配成功。如果有一个selecotr的所有target都没有match，则说明匹配失败，退出selector的for循环，直接从头开始对下一个DOM结点进行匹配。
这样就实现了一个复杂选择器的查DOM。写这个的目的并不是要你自己写一个查DOM的函数拿去用，而是要明白查DOM的过程是怎么样的，可以怎么实现，浏览器又是怎么实现的。还有可以怎么遍历DOM树，当明白这个过程的时候，遇到类似的问题，就可以举一反三。
最后在浏览器上运行一下，如下图所示：
3. 重复值处理
现在有个问题，如下图所示：
当地图往下拖的时候要更新地图上的房源标签数据，上图绿框表示不变的标签，而黄框表示新加的房源。
后端每次都会把当前地图可见区域的房源返回给我，当用户拖动的时候需要知道哪些是原先已经有的房源，哪些是新加的。把新加的房源画上，而把超出区域的房源删掉，已有的房源保持不动。因此需要对比当前房源和新的结果哪些是重复的。因为如果不这样做的话，改成每次都是全部删掉再重新画，已有的房源标签就会闪一下。因此为了避免闪动做一个增量更新。
把这个问题抽象一下就变成：给两个数组，需要找出第一个数组里面的重复值和非重复值。即有一个数组保存上一次状态的房源，而另一个数组是当前状态的新房源数据。找到的重复值是需要保留，找到非重复值是要删掉的。
最直观的方法是使用双重循环。
（1）双重循环
如下代码所示：
var lastHouses = [];
filterHouse: function(houses){
if(lastHouses === null){
lastHouses = houses;
return {
remainsHouses: [],
newHouses: houses
};
}
var remainsHouses = [],
newHouses = [];
for(var i = 0; i < houses.length; i++){
var isNewHouse = true;
for(var j = 0; j < lastHouses.length; j++){
if(houses[i].id === lastHouses[j].id){
isNewHouse = false;
remainsHouses.push(lastHouses[j]);
break;
}
}
if(isNewHouse){
newHouses.push(houses[i]);
}
}
lastHouses = remainsHouses.concat(newHouses);
return {
remainsHouses: remainsHouses,
newHouses: newHouses
};
}
上面代码有一个双重for循环，对新数据的每个元素，判断老数据里面是否已经有了，如果有的话则说明是重复值，如果老数据循环了一遍都没找到，则说明是新数据。由于用到了双重循环，所以这个算法的时间复杂度为O(N*N)
)，对于百级的数据还好，对于千级的数据可能会有压力，因为最坏情况下要比较1000000次。
（2）使用Set
如下代码所示：
var lastHouses = new Set();
function filterHouse(houses){
var remainsHouses = [],
newHouses = [];
for(var i = houses.length - 1; i >= 0; i--){
if(lastHouses.has(houses[i].id)){
remainsHouses.push(houses[i]);
} else {
newHouses.push(houses[i]);
}
}
for(var i = 0; i < newHouses.length; i++){
lastHouses.add(newHouses[i].id);
}
return {remainsHouses: remainsHouses,
newHouses: newHouses};
}
老数据的存储lastHouses从数组改成set，但如果一开始就是数组呢，就像问题抽象里面说的给两个数组？那就用这个数组的数据初始化一个Set.
使用Set和使用Array的区别在于可以减少一重循环，调用Set.prototype.has的函数。Set一般是使用红黑树实现的，红黑树是一种平衡查找二叉树，它的查找时间复杂度为O(logN)。所以时间上进行了改进，从O(N)变成O(logN)，而总体时间从O(N*N)
)变成O(NlogN)。实际上，Chrome V8的Set是用哈希实现的，它是一个哈希Set，查找时间复杂度为O(1)，所以总体的时间复杂度是O(N).
不管是O(NlogN)还是O(N)，表面上看它们的时间要比O(N*N)
)的少。但实际上需要注意的是它们前面还有一个系数。使用Set在后面更新lastHouses的时候也是需要时间的：
for(var i = 0; i < newHouses.length; i++){
lastHouses.add(newHouses[i].id);
}
如果Set是用树的实现，这段代码是时间复杂度为O(NlogN)，所以总的时间为O(2NlogN)，但是由于大O是不考虑系数的，O(2NlogN) 还是等于O(NlogN)，当数据量比较小的时侯，这个系数会起到很大的作用，而数据量比较大的时候，指数级增长的O(N*N)将会远远超过这个系数，哈希的实现也是同样道理。所以当数据量比较小时，如只有一两百可直接使用双重循环处理即可。
上面的代码有点冗长，我们可以用ES6的新特性改写一下，变得更加的简洁：
function filterHouse(houses){
var remainsHouses = [],
newHouses = [];
houses.map(house => lastHouses.has(house.id) ? remainsHouses.push(house)
: newHouses.push(house));
newHouses.map(house => lastHouses.add(house.id));
return {remainsHouses, newHouses};
}
代码从16行变成了8行，减少了一半。
（3）使用Map
使用Map也是类似的，代码如下所示：
var lastHouses = new Map();
function filterHouse(houses){
var remainsHouses = [],
newHouses = [];
houses.map(house => lastHouses.has(house.id) ? remainsHouses.push(house)
: newHouses.push(house));
newHouses.map(house => lastHouses.set(house.id, house));
return {remainsHouses, newHouses};
}
哈希的查找复杂度为O(1)，因此总的时间复杂度为O(N)，Set/Map都是这样，代价是哈希的存储空间通常为数据大小的两倍
（4）时间比较
最后做下时间比较，为此得先造点数据，比较数据量分别为N = 100, 1000, 10000的时间，有N/2的id是重复的，另外一半的id是不一样的。用以下代码生成：
var N = 1000;
var lastHouses = new Array(N);
var newHouses = new Array(N);
var data = new Array(N);
for(var i = 0; i < N / 2; i++){
var sameNumId = i;
lastHouses[i] = newHouses[i] = {id: sameNumId};
}
for(; i < N; i++){
lastHouses[i] = {id: N + i};
newHouses[i] = {id: 2 * N + i};
}
然后需要将重复的数据随机分布，可用以下函数把一个数组的元素随机分布：
//打散
function randomIndex(arr){
for(var i = 0; i < arr.length; i++){
var swapIndex = parseInt(Math.random() * (arr.length - i)) + i;
var tmp = arr[i];
arr[i] = arr[swapIndex];
arr[swapIndex] = tmp;
}
}
randomIndex(lastHouses);
randomIndex(newHouses);
Set/Map的数据：
var lastHousesSet = new Set();
for(var i = 0; i < N; i++){
lastHousesSet.add(lastHouses[i].id);
}
var lastHousesMap = new Map();
for(var i = 0; i < N; i++){
lastHousesMap.set(lastHouses[i].id, lastHouses[i]);
}
分别重复100次，比较时间：
console.time("for time");
for(var i = 0; i < 100; i++){
filterHouse(newHouses);
}
console.timeEnd("for time");
console.time("Set time");
for(var i = 0; i < 100; i++){
filterHouseSet(newHouses);
}
console.timeEnd("Set time");
console.time("Map time");
for(var i = 0; i < 100; i++){
filterHouseMap(newHouses);
}
console.timeEnd("Map time");
使用Chrome 59，当N = 100时，时间为： for < Set < Map，如下图所示，执行三次：
当N = 1000时，时间为：Set = Map < for，如下图所示：
当N = 10000时，时间为Set = Map << for，如下图所示：
可以看出，Set和Map的时间基本一致，当数据量小时，for时间更少，但数据量多时Set和Map更有优势，因为指数级增长还是挺恐怖的。这样我们会有一个问题，究竟Set/Map是怎么实现的。
4. Set和Map的V8哈希实现
我们来研究一下Chrome V8对Set/Map的实现，源码是在chrome/src/v8/src/js/collection.js这个文件里面，由于Chrome一直在更新迭代，所以有可能以后Set/Map的实现会发生改变，我们来看一下现在是怎么实现的。
如下代码初始化一个Set：
var set = new Set();
//数据为20个数
var data = [3, 62, 38, 42, 14, 4, 14, 33, 56, 20, 21, 63, 49, 41, 10, 14, 24, 59, 49, 29];
for(var i = 0; i < data.length; i++){
set.add(data[i]);
}
这个Set的数据结构到底是怎么样的呢，是怎么进行哈希的呢？
哈希的一个关键的地方是哈希算法，即对一堆数或者字符串做哈希运算得到它们的随机值，V8的数字哈希算法是这样的：
function ComputeIntegerHash(key, seed) {
var hash = key;
hash = hash ^ seed; //seed = 505553720
hash = ~hash + (hash << 15); // hash = (hash << 15) - hash - 1;
hash = hash ^ (hash >>> 12);
hash = hash + (hash << 2);
hash = hash ^ (hash >>> 4);
hash = (hash * 2057) | 0; // hash = (hash + (hash << 3)) + (hash << 11);
hash = hash ^ (hash >>> 16);
return hash & 0x3fffffff;
}
把数字进行各种位运算，得到一个比较随机的数，然后对这个数对行散射，如下所示：
var capacity = 64;
var indexes = [];
for(var i = 0; i < data.length; i++){
indexes.push(ComputeIntegerHash(data[i], seed)
& (capacity - 1)); //去掉高位
}
console.log(indexes)
散射的目的是得到这个数放在数组的哪个index。
由于有20个数，容量capacity从16开始增长，每次扩大一倍，到64的时候，可以保证capacity > size * 2，因为只有容量是实际存储大小的两倍时，散射结果重复值才能比较低。
计算结果如下：
可以看到散射的结果还是比较均匀的，但是仍然会有重复值，如14重复了3次。
然后进行查找，例如现在要查找key = 56是否存在这个Set里面，先把56进行哈希，然后散射，按照存放的时候同样的过程：
function SetHas(key){
var index = ComputeIntegerHash(56, seed) & this.capacity;
//可能会有重复值，所以需要验证命中的index所存放的key是相等的
return setArray[index] !== null
&& setArray[index] === key;
}
上面是哈希存储结构的一个典型实现，但是Chrome的V8的Set/Map并不是这样实现的，略有不同。
哈希算法是一样的，但是散射的时候用来去掉高位的并不是用capacity，而是用capacity的一半，叫做buckets的数量，用以下面的data做说明：
var data = [9, 33, 68, 57];
由于初始化的buckets = 2，计算的结果如下：
由于buckets很小，所以散射值有很多重复的，4个数里面1重复了3次。
现在一个个的插入数据，观察Set数据结构的变化。
（1）插入过程
a) 插入9
如下图所示，Set的存储结构分成三部分，第一部分有3个元素，分别表示有效元素个数、被删除的个数、buckets的数量，前两个数相加就表示总的元素个数，插入9之后，元素个数加1变成1，初始化的buckets数量为2. 第二部分对应buckets，buckets[0]表示第1个bucket所存放的原始数据的index，源码里面叫做entry，9在data这个数组里面的index为0，所以它在bucket的存放值为0，并且bucket的散射值为0，所以bucket[0] = 0. 第三部分是记录key值的空间，9的entry为0，所以它放在了3 + buckets.length + entry * 2 = 5的位置，每个key值都有两个元素空间，第一个存放key值，第二个是keyChain，它的作用下面将提到。
b) 插入33
现在要插入33，由于33的bucket = 1，entry = 1，所以插入后变成这样：
c) 插入68
68的bucket值也为1，和33重复了，因为entry = buckets[1] = 1，不为空，说明之前已经存过了，entry为1指向的数组的位置为3 + buckets.length + entry * 2 = 7，也就是说之前的那个数是放在数组7的位置，所以68的相邻元素存放值keyChain为7，同时bucket[1]变成68的entry为2，如下图所示：
d) 插入57
插入57也是同样的道理，57的bucket值为1，而bucket[1] = 2，因此57的相邻元素存放3 + 2 + 2 * 2 = 9，指向9的位置，如下图所示：
（2）查找
现在要查找33这个数，通过同样的哈希散射，得到33的bucket = 1，bucket[1] = 3，3指向的index位置为11，但是11放的是57，不是要找的33，于是查看相邻的元素为9，非空，可继续查找，位置9存放的是68，同样不等于33，而相邻的index = 10指向位置7，而7存放的就是33了，通过比较key值相等，所以这个Set里面有33这个数。
这里的数据总共是4个数，但是需要比较的次数比较多，key值就比较了3次，key值的相邻keyChain值比较了2次，总共是5次，比直接来个for循环还要多。所以数据量比较小时，使用哈希存储速度反而更慢，但是当数据量偏大时优势会比较明显。
（3）扩容
再继续插入第5个数的时候，发现容量不够了，需要继续扩容，会把容量提升为2倍，bucket数量变成4，再把所有元素再重新进行散射。
Set的散射容量即bucket的值是实际元素的一半，会有大量的散射冲突，但是它的存储空间会比较小。假设元素个数为N，需要用来存储的数组空间为：3 + N / 2 + 2 * N，所以占用的空间还是挺大的，它用空间换时间。
（4）Map的实现
和Set基本一致，不同的地方是，map多了存储value的地方，如下代码：
var map = new Map();
map.set(9, "hello");
生成的数据结构为：
当然它不是直接存的字符串“hello”，而是存放hello的指针地址，指向实际存放hello的内存位置。
（5）和JS Object的比较
JSObject主要也是采用哈希存储，具体我在《从Chrome源码看JS Object的实现》这篇文件章里面已经讨论过。
和JS Map不一样的地方是，JSObject的容量是元素个数的两倍，就是上面说的哈希的典型实现。存储结构也不一样，有一个专门存放key和一个存放value的数组，如果能找到key，则拿到这个key的index去另外一个数组取出value值。当发生散列值冲突时，根据当前的index，直接计算下一个查找位置：
inline static uint32_t FirstProbe(uint32_t hash, uint32_t size) {
return hash & (size - 1);
}
inline static uint32_t NextProbe(
uint32_t last, uint32_t number, uint32_t size) {
return (last + number) & (size - 1);
}
同样地，查找的时候在下一个位置也是需要比较key值是否相等。
上面讨论的都是数字的哈希，实符串如何做哈希计算呢？
（6）字符串的哈希计算
如下所示，依次对字符串的每个字符的unicode编码做处理：
uint32_t AddCharacterCore(uint32_t running_hash, uint16_t c) {
running_hash += c;
running_hash += (running_hash << 10);
running_hash ^= (running_hash >> 6);
return running_hash;
}
uint32_t running_hash = seed;
char *key = "hello";
for(int i = 0; i < strlen(key); i++){
running_hash = AddCharacterCore(running_hash, key[i]);
}
接着讨论一个经典话题
5. 数组去重
如下，给一个数组，去掉里面的重复值：
var a = [3, 62, 3, 38, 20, 42, 14, 5, 38, 29, 42];
输出
[3, 62, 38, 20, 42, 14, 5, 29];
方法1：使用Set + Array
如下代码所示：
function uniqueArray(arr){
return Array.from(new Set(arr));
}
在控制台上运行：
优点：代码简洁，速度快，时间复杂度为O(N)
缺点：需要一个额外的Set和Array的存储空间，空间复杂度为O(N)
方法2：使用splice
如下代码所示：
function uniqueArray(arr){
for(var i = 0; i < arr.length - 1; i++){
for(var j = i + 1; j < arr.length; j++){
if(arr[j] === arr[i]){
arr.splice(j--, 1);
}
}
}
return arr;
}
优点：不需要使用额外的存储空间，空间复杂度为O(1)
缺点：需要频繁的内存移动，双重循环，时间复杂度为O(N*N)，注意splice删除元素的过程是这样的，这个我在《从Chrome源码看JS Array的实现》已做过详细讨论：
它是用的内存移动，并不是写个for循环一个个复制。内存移动的速度还是很快的，最快1s可以达到30GB，如下图所示：
方法3：只用Array
如下代码所示：
function uniqueArray(arr){
var retArray = [];
for(var i = 0; i < arr.length; i++){
if(retArray.indexOf(arr[i]) < 0){
retArray.push(arr[i]);
}
}
return retArray;
}
时间复杂度为O(N*N)，空间复杂度为O(N)
方法4：使用Object + Array
下面代码是goog.array的去重实现：
和方法三的区别在于，它不再是使用Array.indexOf判断是否已存在，而是使用Object[key]进行哈希查找，所以它的时间复杂度为O(N)，空间复杂为O(N).
最后做一个执行时间比较，对N = 100/1000/10000，分别重复1000次，得到下面的表格：
Object + Array最省时间，splice的方式最耗时（它比较省空间），Set + Array的简洁方式在数据量大的时候时间将明显少于需要O(N*N)的Array，同样是O(N*N)的splice和Array，Array的时间要小于经常内存移动操作的splice。
实际编码过程中1、2、4都是可以可取的
方法1 一行代码就可以搞定
方法2 可以用来添加一个Array.prototype.unique的函数
方法4 适用于数据量偏大的情况
上面已经讨论了哈希的数据结构，再来讨论下栈和堆
6. 栈和堆
（1）数据结构的栈
栈的特点是先进后出，只有push和pop两个函数可以操作栈，分别进行压栈和弹栈，还有top函数查看栈顶元素。栈的一个典型应用是做开闭符号的处理，如构建DOM。有以下html：
<html>
<head></head>
<body>
<div>hello, world</div>
<p>goodbye, world</p>
</body>
</html>
将会构建这么一个DOM：
上图省略了document结点，并且这里我们只关心DOM父子结点关系，省略掉兄弟节点关系。
首先把html序列化成一个个的标签，如下所示：
1 html ( 2 head ( 3 head ) 4 body ( 5 div ( 6 text 7 div ) 8 p ( 9 text 10 p ) 11 body ) 12 html)
其中左括号表示开标签，右括号表示闭标签。
如下图所示，处理html和head标签时，它们都是开标签，所以把它们都压到栈里面去，并实例一个HTMLHtmlElement和HTMLHeadElement对象。处理head标签时，由于栈顶元素是html，所以head的父元素就是html。
处理剩余其它元素如下图所示：
遇到第三个标签是head的闭标签，于是进行弹栈，把head标签弹出来，栈顶元素变成了html，所以在遇到第一个标签body的时候，html元素就是body标签的父结点。其它节点类似处理。
上面的过程，我在《从Chrome源码看浏览器如何构建DOM树》已经做过讨论，这里用图表示意，可能会更加直观。
（2）内存栈
函数执行的时候会把局部变量压到一个栈里面，如下函数：
function foo(){
var a = 5,
b = 6,
c = a + b;
}
foo();
a, b, c三个变量在内存栈的结构如下图所示：
先遇到a把a压到栈里面，然后是b和c，对函数里面的局部变量不断地压栈，内存向低位增长。栈空间大小8MB（可使用ulimit –a查看)，假设一个变量用了8B，一个函数里面定义了10个变量，最多递归8MB / (8B * 10) = 80万次就会发生栈溢出stackoverflow
这个在《WebAssembly与程序编译》这篇文章里面做过讨论。
（3）堆
数据结构里的堆通常是指用数组表示的二叉树，如大堆排序和小堆排序。内存里的堆是指存放new出来动态创建变量的地方，和栈相对，如下图所示：
讨论完了栈和堆，再分析一个比较实用的技巧。
6. 节流
节流是前端经常会遇到的一个问题，就是不想让resize/mousemove/scroll等事件触发得太快，例如说最快每100ms执行一次回调就可以了。如下代码不进行节流，直接兼听resize事件：
$(window).on("resize", adjustSlider);
由于adjustSlider是一个非常耗时的操作，我并不想让它执行得那么快，最多500ms执行一次就好了。那应该怎么做呢？如下图所示，借助setTimout和一个tId的标志位：
最后再讨论下图像和图形处理相关的。
7. 图像处理
假设要在前端做一个滤镜，如用户选择了本地的图片之后，点击某个按钮就可以把图片置成灰色的：
效果如下：
一个方法是使用CSS的filter属性，它支持把图片置成灰图的：
img{
filter: grayscale(100%);
}
由于需要把真实的图片数据传给后端，因此需要对图片数据做处理。我们可以用canvas获取图片的数据，如下代码所示：
<canvas id="my-canvas"></canvas>
JS处理如下：
var img = new Image();
img.src = “/test.jpg”; //通过FileReader等
img.onload = function(){
//画到canvas上，位置为x = 10, y = 10
ctx.drawImage(this, 10, 10);
}
function blackWhite() {
var imgData = ctx.getImageData(10, 10, 31, 30);
ctx.putImageData(imgData, 50, 10);
console.log(imgData, imgData.data);
}
这个的效果是把某张图片原封不动地再画一个，如下图所示：
现在对imgData做一个灰化处理，这个imgData是什么东西呢？它是一个一维数组，存放了从左到右，从上到下每个像素点的rgba值，如下图所示：
这张图片尺寸为31 * 30，所以数组的大小为31 * 30 * 4 = 3720，并且由于这张图片没有透明通道，所以a的值都为255。
常用的灰化算法有以下两种：
（1）平均值
Gray = (Red + Green + Blue) / 3
（2）按人眼对三原色的感知度：绿 > 红 > 蓝
Gray = (Red * 0.3 + Green * 0.59 + Blue * 0.11)
第二种方法更符合客观实际，我们采用第二种方法，如下代码所示：
function blackWhite() {
var imgData = ctx.getImageData(10, 10, 31, 30);
var data = imgData.data;
var length = data.length;
for(var i = 0; i < length; i += 4){
var grey = 0.3 * data[i] + 0.59 * data[i + 1] + 0.11 * data[i + 2];
data[i] = data[i + 1] = data[i + 2] = grey;
}
ctx.putImageData(imgData, 50, 10);
}
执行的效果如下图所示：
其它的滤镜效果，如模糊、锐化、去斑等，读者有兴趣可继续查找资料。
还有一种是图形算法
8. 图形算法
如下需要计算两个多边形的交点：
这个就涉及到图形算法，可以认为图形算法是对矢量图形的处理，和图像处理是对全部的rgba值处理相对。这个算法也多种多样，其中一个可参考《A new algorithm for computing Boolean operations on polygons》
综合以上，本篇讨论了几个话题：
递归和查DOM
Set/Map的实现
数组去重的几种方法比较
栈和堆
节流
图像处理
本篇从前端的角度对一些算法做一些分析和总结，只列了一些我认为比较重要，其它的还有很多没有提及。算法和数据结构是一个永恒的话题，它的目的是用最小的时间和最小的空间解决问题。但是有时候不用太拘泥于一定要最优的答案，能够合适地解决问题就是好方法，而且对于不同的应用场景可能要采取不同的策略。反之，如果你的代码里面动不动就是三四重循环，还有嵌套了很多if-else，你可能要考虑下采用合适的数据结构和算法去优化你的代码。