在LeetCode的字符串类题目中，“添加与搜索单词”是一道经典的设计题，核心考察**字典树（Trie）**的应用，同时结合深度优先搜索（DFS）解决通配符匹配问题。这道题不仅能帮我们掌握字典树的基本操作，还能理解递归在复杂匹配场景中的灵活运用，今天就来一步步拆解这道题的解题思路和代码实现。
一、题目解读：核心需求与难点
题目要求我们设计一个WordDictionary类，支持两个核心操作：
-
addWord(word)：将单词添加到数据结构中，用于后续匹配； -
search(word)：判断数据结构中是否存在与目标单词匹配的字符串，其中word中可能包含.，每个.可以匹配任意一个英文字母。
这道题的难点不在于“添加单词”，而在于“搜索单词”中的通配符.——它打破了常规的精确匹配，需要我们在搜索时考虑所有可能的字母组合，这也是为什么需要结合DFS的原因。
二、数据结构选择：为什么是字典树？
面对“字符串添加”和“前缀/模糊匹配”的场景，字典树（Trie）是最优选择之一，原因如下：
-
字典树的结构天然适合存储字符串集合，每个节点代表一个字符，从根节点到叶子节点的路径对应一个完整单词，添加单词时效率为O(n)（n为单词长度）；
-
对于模糊匹配（如包含
.），字典树可以方便地遍历当前节点的所有子节点，结合递归（DFS）实现通配符的匹配逻辑； -
相比哈希表，字典树在处理前缀匹配、模糊匹配时，空间利用率更高，且避免了哈希冲突的问题。
字典树的每个节点需要包含两个核心属性：
-
children：存储当前节点的子节点，key为字符，value为子节点对象（形成递归结构）； -
isEnd：标记当前节点是否为某个单词的结尾（避免区分“前缀”和“完整单词”）。
三、完整代码实现（TypeScript）
先给出完整的代码实现，后续逐方法拆解核心逻辑，代码兼顾可读性和效率，与题目要求完全匹配：
class WordDictionary {
private children: Record<string, WordDictionary>;
private isEnd: boolean;
constructor() {
this.children = {}; // 存储子节点，key为字符，value为子节点
this.isEnd = false; // 标记当前节点是否是单词结尾
}
addWord(word: string): void {
let node: WordDictionary = this; // 从根节点开始遍历
for (const ch of word) {
// 如果当前字符对应的子节点不存在，创建新节点
if (!node.children[ch]) {
node.children[ch] = new WordDictionary();
}
// 移动到子节点，继续处理下一个字符
node = node.children[ch];
}
// 单词遍历结束，标记当前节点为单词结尾
node.isEnd = true;
}
search(word: string): boolean {
// 深度优先搜索：index表示当前匹配到的单词下标，node表示当前遍历的字典树节点
const dfs = (index: number, node: WordDictionary): boolean => {
// 递归终止条件：匹配完所有字符，判断当前节点是否是单词结尾
if (index === word.length) {
return node.isEnd;
}
const ch = word[index];
// 情况1：当前字符不是通配符，精确匹配
if (ch !== '.') {
const child = node.children[ch];
// 子节点存在，且递归匹配下一个字符成功，返回true
if (child && dfs(index + 1, child)) {
return true;
}
} else {
// 情况2：当前字符是通配符，遍历所有子节点，尝试匹配
for (const str in node.children) {
const child = node.children[str];
// 任意一个子节点递归匹配成功，就返回true
if (child && dfs(index + 1, child)) {
return true;
}
}
}
// 以上情况都不满足，匹配失败
return false;
}
// 从根节点、下标0开始DFS
return dfs(0, this);
}
}
/**
* Your WordDictionary object will be instantiated and called as such:
* var obj = new WordDictionary()
* obj.addWord(word)
* var param_2 = obj.search(word)
*/
四、核心方法拆解
1. 构造函数（constructor）
初始化字典树的根节点：
-
children：用对象（Record）存储子节点，键是字符（如'a'、'b'），值是子节点实例，这样可以快速通过字符定位子节点； -
isEnd：初始化为false，因为根节点本身不代表任何单词的结尾。
2. 添加单词（addWord方法）
添加单词的逻辑本质是“构建字典树”，步骤如下：
-
从根节点（
this）开始，遍历单词的每一个字符； -
对于当前字符，如果当前节点的
children中没有该字符对应的子节点，就创建一个新的WordDictionary实例作为子节点； -
将当前节点移动到该子节点，继续处理下一个字符；
-
当单词遍历完毕，将最后一个节点的
isEnd设为true，标记这是一个完整单词的结尾。
示例：添加单词"apple"，会从根节点开始，依次创建'a'、'p'、'p'、'l'、'e'对应的节点，最后将'e'节点的isEnd设为true。
3. 搜索单词（search方法）
搜索单词是本题的核心，由于存在通配符.，我们采用**深度优先搜索（DFS）**来处理所有可能的匹配情况，核心逻辑分为两部分：
（1）DFS辅助函数
定义一个内部DFS函数，接收两个参数：
-
index：当前匹配到单词的第几个字符（从0开始）； -
node：当前遍历到字典树的哪个节点。
递归终止条件：当index等于单词长度时，说明已经匹配完所有字符，此时只需判断当前节点的isEnd是否为true（即是否是一个完整单词）。
（2）两种匹配情况
-
精确匹配（当前字符不是'.'）：
-
检查当前节点的
children中是否存在该字符对应的子节点； -
如果存在，递归调用DFS，处理下一个字符（
index+1），并将当前子节点作为新的node； -
如果子节点不存在，或递归匹配失败，继续判断其他情况（最终返回
false）。
-
-
通配符匹配（当前字符是'.'）：
-
通配符可以匹配任意字符，因此需要遍历当前节点的所有子节点；
-
对每个子节点，递归调用DFS，处理下一个字符；
-
只要有一个子节点递归匹配成功，就直接返回
true（剪枝优化，避免不必要的遍历）。
-
示例：搜索"ap.ple"，当遍历到第3个字符'.'时，会遍历当前节点（第二个'p'）的所有子节点，只要有一个子节点（此处是'l'）能继续匹配后续字符，就返回true。
五、易错点与优化思路
1. 易错点总结
-
忘记标记
isEnd：添加单词时，如果不将最后一个节点的isEnd设为true，会导致搜索时无法区分“前缀”和“完整单词”（例如添加"app"后，搜索"app"会返回false）； -
DFS递归终止条件错误：终止条件必须是
index === word.length，而不是node.children为空，否则会漏掉“单词长度与路径长度一致但不是结尾”的情况； -
通配符遍历遗漏：遍历子节点时，要确保遍历所有
children中的键，不能遗漏任何一种可能的字符。
2. 优化思路
-
空间优化：如果单词集合中重复前缀较少，字典树的空间优势不明显，可以考虑结合哈希表分组（按单词长度分组），搜索时先根据长度过滤，再进行匹配，减少DFS的次数；
-
时间优化：在DFS中加入剪枝逻辑，一旦找到匹配的子节点，立即返回
true，避免不必要的遍历； -
边界处理：针对空字符串、单个字符、全通配符（如
"...."）等边界情况，提前做判断，提升效率。
六、总结
LeetCode 211题的核心是“字典树+DFS”的组合应用：字典树负责高效存储和快速定位字符串前缀，DFS负责处理通配符带来的模糊匹配问题。通过这道题，我们不仅掌握了字典树的基本操作（添加、遍历），还理解了递归在复杂匹配场景中的应用逻辑。
其实字典树的应用非常广泛，比如搜索引擎的自动补全、拼写检查、IP路由最长前缀匹配等场景，掌握这道题的思路，能为后续解决类似的字符串匹配问题打下坚实的基础。
