【码道初阶】【LeetCode 102】二叉树层序遍历：如何利用队列实现“一层一层切蛋糕”？-洪萨配资

这是一篇为您定制的技术博客，详细解读了您使用的**广度优先搜索（BFS）**策略。您的代码是非常标准的层序遍历模板，逻辑清晰，特别是利用size变量来控制每一层的遍历，是解题的关键。

以下是为您生成的博客文章：

【LeetCode 102】二叉树层序遍历：如何利用队列实现“一层一层切蛋糕”？

在二叉树的遍历中，前序、中序、后序遍历通常使用递归（DFS，深度优先搜索）来实现，它们是一头扎到底再回头。

但在很多面试题中，我们需要按照“从上到下、从左到右”的顺序输出节点，这就好比切蛋糕一样，一层一层地处理。这种遍历方式被称为层序遍历（Level Order Traversal）。

解决这个问题的神器不是递归，而是队列（Queue）。今天我们就结合一段标准的 Java 代码，深入剖析**广度优先搜索（BFS）**在二叉树中的应用。

1. 核心思想：广度优先搜索 (BFS)

层序遍历的本质就是 BFS。我们需要一个“候车室”（队列）来暂存当前层的节点。

先把第一层的节点（根节点）放入候车室。
处理候车室里的节点时，顺便把它的孩子（下一层）按顺序放入候车室排队。
**先进先出（FIFO）**的特性保证了我们总是先处理完当前层，才会轮到下一层。

2. 代码深度拆解

代码采用了最经典的 BFS 迭代写法，我们可以将其分为三个阶段：

代码总览：

/** * Definition for a binary tree node. * public class TreeNode { * int val; * TreeNode left; * TreeNode right; * TreeNode() {} * TreeNode(int val) { this.val = val; } * TreeNode(int val, TreeNode left, TreeNode right) { * this.val = val; * this.left = left; * this.right = right; * } * } */classSolution{publicList<List<Integer>>levelOrder(TreeNoderoot){List<List<Integer>>res=newArrayList<>();if(root==null)returnres;Queue<TreeNode>queue=newLinkedList<>();queue.offer(root);while(!queue.isEmpty()){intsize=queue.size();List<Integer>list=newArrayList<>();while(size!=0){TreeNodecur=queue.poll();list.add(cur.val);if(cur.left!=null)queue.offer(cur.left);if(cur.right!=null)queue.offer(cur.right);size--;}res.add(list);}returnres;}}

第一阶段：初始化与判空

publicList<List<Integer>>levelOrder(TreeNoderoot){List<List<Integer>>res=newArrayList<>();// 1. 边界处理：如果是空树，直接返回空列表if(root==null)returnres;// 2. 准备“候车室”：使用 LinkedList 实现 Queue 接口Queue<TreeNode>queue=newLinkedList<>();// 3. 将根节点入队，作为第一层queue.offer(root);

这里有一个细节：使用LinkedList来实例化Queue是 Java 中的标准做法，因为LinkedList实现了双端队列接口，入队（offer）和出队（poll）操作非常高效。

第二阶段：外层循环（遍历所有层）

// 只要队列不空，说明还有层级没处理完while(!queue.isEmpty()){// 【关键点】记录当前队列的大小intsize=queue.size();List<Integer>list=newArrayList<>();

这是全段代码最精华的地方！
为什么要专门用一个变量size记录queue.size()？

在进入内层循环前，队列里存放的仅仅是当前这一层的所有节点。
我们需要知道当前层有几个节点，这样在接下来的处理中，我们才能准确地只弹出这几个节点，而不小心处理到了新加入的下一层节点。

第三阶段：内层循环（批处理当前层）

// 处理当前层的每一个节点while(size!=0){// 1. 出队：拿出当前层的节点TreeNodecur=queue.poll();// 2. 记录值list.add(cur.val);// 3. 入队：如果有孩子，把它们加入队列尾部（成为下一层）if(cur.left!=null)queue.offer(cur.left);if(cur.right!=null)queue.offer(cur.right);// 当前层待处理节点数 -1size--;}// 当前层处理完毕，将结果加入总列表res.add(list);}returnres;}

在这个循环中，队列发生了一个微妙的变化：旧的一层正在离开，新的一层正在进入。
因为我们严格控制了循环次数为size（旧层的节点数），所以即使新节点加入到了队列尾部，也不会在这一轮循环中被处理。这就完美实现了“分层”。

3. 图解执行流程

假设输入：[3, 9, 20, null, null, 15, 7]

初始状态：
- Queue:[3]
- res:[]
第一轮外循环：
- size = 1。
- 内循环：弹出3，加入9,20。Queue:[9, 20]。
- 内循环结束，list为[3]。
- res:[[3]]。
第二轮外循环：
- size = 2（此时队列里有 9 和 20）。
- 内循环第1次：弹出9，无孩子。Queue:[20]。
- 内循环第2次：弹出20，加入15,7。Queue:[15, 7]。
- 内循环结束，list为[9, 20]。
- res:[[3], [9, 20]]。
第三轮外循环：
- size = 2（此时队列里有 15 和 7）。
- 内循环：依次弹出15和7，无新孩子加入。Queue:[]。
- res:[[3], [9, 20], [15, 7]]。
结束：队列为空，退出。

4. 复杂度分析

时间复杂度：O(N)O(N)O(N)。
每个节点进队一次，出队一次，我们遍历了整棵树的NNN个节点。
空间复杂度：O(N)O(N)O(N)。
- 队列中最多同时存储一层的节点。在最坏情况（完全二叉树的底层），大约包含N/2N/2N/2个节点。
- 返回值列表也需要存储NNN个节点的值。