Add Zig code blocks.

docs/chapter_array_and_linkedlist/array.md

@@ -89,6 +89,12 @@ comments: true
     let nums = [1, 3, 2, 5, 4]
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 ## 4.1.1. 数组优点
 
 **在数组中访问元素非常高效**。这是因为在数组中，计算元素的内存地址非常容易。给定数组首个元素的地址、和一个元素的索引，利用以下公式可以直接计算得到该元素的内存地址，从而直接访问此元素。
@@ -217,6 +223,12 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 ## 4.1.2. 数组缺点
 
 **数组在初始化后长度不可变**。由于系统无法保证数组之后的内存空间是可用的，因此数组长度无法扩展。而若希望扩容数组，则需新建一个数组，然后把原数组元素依次拷贝到新数组，在数组很大的情况下，这是非常耗时的。
@@ -359,6 +371,12 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 **数组中插入或删除元素效率低下**。假设我们想要在数组中间某位置插入一个元素，由于数组元素在内存中是“紧挨着的”，它们之间没有空间再放任何数据。因此，我们不得不将此索引之后的所有元素都向后移动一位，然后再把元素赋值给该索引。删除元素也是类似，需要把此索引之后的元素都向前移动一位。总体看有以下缺点：
 
 - **时间复杂度高**：数组的插入和删除的平均时间复杂度均为 $O(N)$ ，其中 $N$ 为数组长度。
@@ -551,6 +569,12 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 ## 4.1.3. 数组常用操作
 
 **数组遍历**。以下介绍两种常用的遍历方法。
@@ -693,6 +717,12 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 **数组查找**。通过遍历数组，查找数组内的指定元素，并输出对应索引。
 
 === "Java"
@@ -809,6 +839,12 @@ elementAddr = firtstElementAddr + elementLength * elementIndex
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array.zig"
+
+    ```
+
 ## 4.1.4. 数组典型应用
 
 **随机访问**。如果我们想要随机抽取一些样本，那么可以用数组存储，并生成一个随机序列，根据索引实现样本的随机抽取。

docs/chapter_array_and_linkedlist/linked_list.md

@@ -126,6 +126,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 **尾结点指向什么？** 我们一般将链表的最后一个结点称为「尾结点」，其指向的是「空」，在 Java / C++ / Python 中分别记为 `null` / `nullptr` / `None` 。在不引起歧义下，本书都使用 `null` 来表示空。
 
 **链表初始化方法**。建立链表分为两步，第一步是初始化各个结点对象，第二步是构建引用指向关系。完成后，即可以从链表的首个结点（即头结点）出发，访问其余所有的结点。
@@ -277,6 +283,12 @@ comments: true
     n3.next = n4
     ```
 
+=== "Zig"
+
+    ```zig title="linked_list.zig"
+
+    ```
+
 ## 4.2.1. 链表优点
 
 **在链表中，插入与删除结点的操作效率高**。例如，如果想在链表中间的两个结点 `A` , `B` 之间插入一个新结点 `P` ，我们只需要改变两个结点指针即可，时间复杂度为 $O(1)$ ，相比数组的插入操作高效很多。在链表中删除某个结点也很方便，只需要改变一个结点指针即可。
@@ -465,6 +477,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linked_list.zig"
+
+    ```
+
 ## 4.2.2. 链表缺点
 
 **链表访问结点效率低**。上节提到，数组可以在 $O(1)$ 时间下访问任意元素，但链表无法直接访问任意结点。这是因为计算机需要从头结点出发，一个一个地向后遍历到目标结点。例如，倘若想要访问链表索引为 `index` （即第 `index + 1` 个）的结点，那么需要 `index` 次访问操作。
@@ -591,6 +609,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linked_list.zig"
+
+    ```
+
 **链表的内存占用多**。链表以结点为单位，每个结点除了保存值外，还需额外保存指针（引用）。这意味着同样数据量下，链表比数组需要占用更多内存空间。
 
 ## 4.2.3. 链表常用操作
@@ -736,6 +760,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linked_list.zig"
+
+    ```
+
 ## 4.2.4. 常见链表类型
 
 **单向链表**。即上述介绍的普通链表。单向链表的结点有「值」和指向下一结点的「指针（引用）」两项数据。我们将首个结点称为头结点，尾结点指向 `null` 。
@@ -864,6 +894,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ![linkedlist_common_types](linked_list.assets/linkedlist_common_types.png)
 
 <p align="center"> Fig. 常见链表类型 </p>

docs/chapter_array_and_linkedlist/list.md

@@ -101,6 +101,12 @@ comments: true
     var list = [1, 3, 2, 5, 4]
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 **访问与更新元素**。列表的底层数据结构是数组，因此可以在 $O(1)$ 时间内访问与更新元素，效率很高。
 
 === "Java"
@@ -189,6 +195,12 @@ comments: true
     list[1] = 0 // 将索引 1 处的元素更新为 0
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 **在列表中添加、插入、删除元素**。相对于数组，列表可以自由地添加与删除元素。在列表尾部添加元素的时间复杂度为 $O(1)$ ，但是插入与删除元素的效率仍与数组一样低，时间复杂度为 $O(N)$ 。
 
 === "Java"
@@ -357,6 +369,12 @@ comments: true
     list.remove(at: 3) // 删除索引 3 处的元素
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 **遍历列表**。与数组一样，列表可以使用索引遍历，也可以使用 `for-each` 直接遍历。
 
 === "Java"
@@ -493,6 +511,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 **拼接两个列表**。再创建一个新列表 `list1` ，我们可以将其中一个列表拼接到另一个的尾部。
 
 === "Java"
@@ -566,6 +590,12 @@ comments: true
     list.append(contentsOf: list1) // 将列表 list1 拼接到 list 之后
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 **排序列表**。排序也是常用的方法之一，完成列表排序后，我们就可以使用在数组类算法题中经常考察的「二分查找」和「双指针」算法了。
 
 === "Java"
@@ -630,6 +660,12 @@ comments: true
     list.sort() // 排序后，列表元素从小到大排列
     ```
 
+=== "Zig"
+
+    ```zig title="list.zig"
+
+    ```
+
 ## 4.3.2. 列表简易实现 *
 
 为了帮助加深对列表的理解，我们在此提供一个列表的简易版本的实现。需要关注三个核心点：
@@ -1399,3 +1435,9 @@ comments: true
         }
     }
     ```
+
+=== "Zig"
+
+    ```zig title="my_list.zig"
+
+    ```

docs/chapter_computational_complexity/space_complexity.md

@@ -202,6 +202,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ## 2.3.2. 推算方法
 
 空间复杂度的推算方法和时间复杂度总体类似，只是从统计“计算操作数量”变为统计“使用空间大小”。与时间复杂度不同的是，**我们一般只关注「最差空间复杂度」**。这是因为内存空间是一个硬性要求，我们必须保证在所有输入数据下都有足够的内存空间预留。
@@ -301,6 +307,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 **在递归函数中，需要注意统计栈帧空间**。例如函数 `loop()`，在循环中调用了 $n$ 次 `function()` ，每轮中的 `function()` 都返回并释放了栈帧空间，因此空间复杂度仍为 $O(1)$ 。而递归函数 `recur()` 在运行中会同时存在 $n$ 个未返回的 `recur()` ，从而使用 $O(n)$ 的栈帧空间。
 
 === "Java"
@@ -452,6 +464,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ## 2.3.3. 常见类型
 
 设输入数据大小为 $n$ ，常见的空间复杂度类型有（从低到高排列）
@@ -622,6 +640,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 ### 线性阶 $O(n)$
 
 线性阶常见于元素数量与 $n$ 成正比的数组、链表、栈、队列等。
@@ -754,6 +778,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 以下递归函数会同时存在 $n$ 个未返回的 `algorithm()` 函数，使用 $O(n)$ 大小的栈帧空间。
 
 === "Java"
@@ -844,6 +874,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 ![space_complexity_recursive_linear](space_complexity.assets/space_complexity_recursive_linear.png)
 
 <p align="center"> Fig. 递归函数产生的线性阶空间复杂度 </p>
@@ -961,6 +997,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 在以下递归函数中，同时存在 $n$ 个未返回的 `algorithm()` ，并且每个函数中都初始化了一个数组，长度分别为 $n, n-1, n-2, ..., 2, 1$ ，平均长度为 $\frac{n}{2}$ ，因此总体使用 $O(n^2)$ 空间。
 
 === "Java"
@@ -1058,6 +1100,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 ![space_complexity_recursive_quadratic](space_complexity.assets/space_complexity_recursive_quadratic.png)
 
 <p align="center"> Fig. 递归函数产生的平方阶空间复杂度 </p>
@@ -1166,6 +1214,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="space_complexity.zig"
+
+    ```
+
 ![space_complexity_exponential](space_complexity.assets/space_complexity_exponential.png)
 
 <p align="center"> Fig. 满二叉树下的指数阶空间复杂度 </p>

docs/chapter_computational_complexity/space_time_tradeoff.md

@@ -175,6 +175,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="leetcode_two_sum.zig"
+
+    ```
+
 ### 方法二：辅助哈希表
 
 时间复杂度 $O(N)$ ，空间复杂度 $O(N)$ ，属于「空间换时间」。
@@ -337,3 +343,9 @@ comments: true
         return [0]
     }
     ```
+
+=== "Zig"
+
+    ```zig title="leetcode_two_sum.zig"
+
+    ```

docs/chapter_computational_complexity/time_complexity.md

@@ -153,6 +153,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 但实际上， **统计算法的运行时间既不合理也不现实**。首先，我们不希望预估时间和运行平台绑定，毕竟算法需要跑在各式各样的平台之上。其次，我们很难获知每一种操作的运行时间，这为预估过程带来了极大的难度。
 
 ## 2.2.2. 统计时间增长趋势
@@ -357,6 +363,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ![time_complexity_first_example](time_complexity.assets/time_complexity_first_example.png)
 
 <p align="center"> Fig. 算法 A, B, C 的时间增长趋势 </p>
@@ -503,6 +515,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 $T(n)$ 是个一次函数，说明时间增长趋势是线性的，因此易得时间复杂度是线性阶。
 
 我们将线性阶的时间复杂度记为 $O(n)$ ，这个数学符号被称为「大 $O$ 记号 Big-$O$ Notation」，代表函数 $T(n)$ 的「渐近上界 asymptotic upper bound」。
@@ -725,6 +743,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ### 2) 判断渐近上界
 
 **时间复杂度由多项式 $T(n)$ 中最高阶的项来决定**。这是因为在 $n$ 趋于无穷大时，最高阶的项将处于主导作用，其它项的影响都可以被忽略。
@@ -887,6 +911,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ### 线性阶 $O(n)$
 
 线性阶的操作数量相对输入数据大小成线性级别增长。线性阶常出现于单层循环。
@@ -1000,6 +1030,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 「遍历数组」和「遍历链表」等操作，时间复杂度都为 $O(n)$ ，其中 $n$ 为数组或链表的长度。
 
 !!! tip
@@ -1132,6 +1168,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ### 平方阶 $O(n^2)$
 
 平方阶的操作数量相对输入数据大小成平方级别增长。平方阶常出现于嵌套循环，外层循环和内层循环都为 $O(n)$ ，总体为 $O(n^2)$ 。
@@ -1280,6 +1322,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ![time_complexity_constant_linear_quadratic](time_complexity.assets/time_complexity_constant_linear_quadratic.png)
 
 <p align="center"> Fig. 常数阶、线性阶、平方阶的时间复杂度 </p>
@@ -1500,6 +1548,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ### 指数阶 $O(2^n)$
 
 !!! note
@@ -1675,6 +1729,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ![time_complexity_exponential](time_complexity.assets/time_complexity_exponential.png)
 
 <p align="center"> Fig. 指数阶的时间复杂度 </p>
@@ -1776,6 +1836,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ### 对数阶 $O(\log n)$
 
 对数阶与指数阶正好相反，后者反映“每轮增加到两倍的情况”，而前者反映“每轮缩减到一半的情况”。对数阶仅次于常数阶，时间增长得很慢，是理想的时间复杂度。
@@ -1911,6 +1977,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ![time_complexity_logarithmic](time_complexity.assets/time_complexity_logarithmic.png)
 
 <p align="center"> Fig. 对数阶的时间复杂度 </p>
@@ -2011,6 +2083,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ### 线性对数阶 $O(n \log n)$
 
 线性对数阶常出现于嵌套循环中，两层循环的时间复杂度分别为 $O(\log n)$ 和 $O(n)$ 。
@@ -2153,6 +2231,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ![time_complexity_logarithmic_linear](time_complexity.assets/time_complexity_logarithmic_linear.png)
 
 <p align="center"> Fig. 线性对数阶的时间复杂度 </p>
@@ -2305,6 +2389,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="time_complexity.zig"
+
+    ```
+
 ![time_complexity_factorial](time_complexity.assets/time_complexity_factorial.png)
 
 <p align="center"> Fig. 阶乘阶的时间复杂度 </p>
@@ -2692,6 +2782,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="worst_best_time_complexity.zig"
+
+    ```
+
 !!! tip
 
     我们在实际应用中很少使用「最佳时间复杂度」，因为往往只有很小概率下才能达到，会带来一定的误导性。反之，「最差时间复杂度」最为实用，因为它给出了一个“效率安全值”，让我们可以放心地使用算法。

docs/chapter_data_structure/data_and_memory.md

@@ -128,6 +128,12 @@ comments: true
     let booleans = Array(repeating: Bool(), count: 5)
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ## 3.1.2. 计算机内存
 
 在计算机中，内存和硬盘是两种主要的存储硬件设备。「硬盘」主要用于长期存储数据，容量较大（通常可达到 TB 级别）、速度较慢。「内存」用于运行程序时暂存数据，速度较快，但容量较小（通常为 GB 级别）。

docs/chapter_graph/basic_operation_of_graph.md

@@ -162,6 +162,12 @@ comments: true
 
     ```
 
+=== "Zig"
+
+    ```zig title="graph_adjacency_matrix.zig"
+
+    ```
+
 ## 9.2.2. 基于邻接表的实现
 
 设图的顶点总数为 $n$ 、边总数为 $m$ ，则有：
@@ -309,6 +315,12 @@ comments: true
 
     ```
 
+=== "Zig"
+
+    ```zig title="graph_adjacency_list.zig"
+
+    ```
+
 ## 9.2.3. 效率对比
 
 设图中共有 $n$ 个顶点和 $m$ 条边，下表为邻接矩阵和邻接表的时间和空间效率对比。

docs/chapter_hashing/hash_map.md

@@ -230,6 +230,12 @@ comments: true
     map.removeValue(forKey: 10583)
     ```
 
+=== "Zig"
+
+    ```zig title="hash_map.zig"
+
+    ```
+
 遍历哈希表有三种方式，即 **遍历键值对、遍历键、遍历值**。
 
 === "Java"
@@ -380,6 +386,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="hash_map.zig"
+
+    ```
+
 ## 6.1.3. 哈希函数
 
 哈希表中存储元素的数据结构被称为「桶 Bucket」，底层实现可能是数组、链表、二叉树（红黑树），或是它们的组合。
@@ -851,6 +863,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array_hash_map.zig"
+
+    ```
+
 ## 6.1.4. 哈希冲突
 
 细心的同学可能会发现，**哈希函数 $f(x) = x \% 100$ 会在某些情况下失效**。具体地，当输入的 key 后两位相同时，哈希函数的计算结果也相同，指向同一个 value 。例如，分别查询两个学号 $12836$ 和 $20336$ ，则有

docs/chapter_heap/heap.md

@@ -203,6 +203,12 @@ comments: true
     // Swift 未提供内置 heap 类
     ```
 
+=== "Zig"
+
+    ```zig title="heap.zig"
+
+    ```
+
 ## 8.1.3. 堆的实现
 
 下文实现的是「大顶堆」，若想转换为「小顶堆」，将所有大小逻辑判断取逆（例如将 $\geq$ 替换为 $\leq$ ）即可，有兴趣的同学可自行实现。
@@ -340,6 +346,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="my_heap.zig"
+
+    ```
+
 ### 访问堆顶元素
 
 堆顶元素是二叉树的根结点，即列表首元素。
@@ -407,6 +419,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="my_heap.zig"
+
+    ```
+
 ### 元素入堆
 
 给定元素 `val` ，我们先将其添加到堆底。添加后，由于 `val` 可能大于堆中其它元素，此时堆的成立条件可能已经被破坏，**因此需要修复从插入结点到根结点这条路径上的各个结点**，该操作被称为「堆化 Heapify」。
@@ -553,6 +571,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="my_heap.zig"
+
+    ```
+
 ### 堆顶元素出堆
 
 堆顶元素是二叉树根结点，即列表首元素，如果我们直接将首元素从列表中删除，则二叉树中所有结点都会随之发生移位（索引发生变化），这样后续使用堆化修复就很麻烦了。为了尽量减少元素索引变动，采取以下操作步骤：
@@ -758,6 +782,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="my_heap.zig"
+
+    ```
+
 ### 输入数据并建堆 *
 
 如果我们想要直接输入一个列表并将其建堆，那么该怎么做呢？最直接地，考虑使用「元素入堆」方法，将列表元素依次入堆。元素入堆的时间复杂度为 $O(n)$ ，而平均长度为 $\frac{n}{2}$ ，因此该方法的总体时间复杂度为 $O(n \log n)$ 。
@@ -843,6 +873,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="my_heap.zig"
+
+    ```
+
 那么，第二种建堆方法的时间复杂度时多少呢？我们来做一下简单推算。
 
 - 完全二叉树中，设结点总数为 $n$ ，则叶结点数量为 $(n + 1) / 2$ ，其中 $/$ 为向下整除。因此在排除叶结点后，需要堆化结点数量为 $(n - 1)/2$ ，即为 $O(n)$ ；

docs/chapter_preface/about_the_book.md

@@ -205,6 +205,17 @@ comments: true
      */
     ```
 
+=== "Zig"
+
+    ```zig title=""
+    // 标题注释，用于标注函数、类、测试样例等
+    
+    // 内容注释，用于详解代码
+    
+    // 多行
+    // 注释
+    ```
+
 ## 0.1.5. 本书特点 *
 
 ??? abstract "默认折叠，可以跳过"

docs/chapter_searching/binary_search.md

@@ -234,6 +234,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_search.zig"
+
+    ```
+
 ### “左闭右开”实现
 
 当然，我们也可以使用“左闭右开”的表示方法，写出相同功能的二分查找代码。
@@ -422,6 +428,12 @@ $$
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_search.zig"
+
+    ```
+
 ### 两种表示对比
 
 对比下来，两种表示的代码写法有以下不同点：
@@ -517,6 +529,12 @@ $$
     let m = i + (j - 1) / 2
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ## 10.2.2. 复杂度分析
 
 **时间复杂度 $O(\log n)$** ：其中 $n$ 为数组或链表长度；每轮排除一半的区间，因此循环轮数为 $\log_2 n$ ，使用 $O(\log n)$ 时间。

docs/chapter_searching/hashing_search.md

@@ -116,6 +116,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="hashing_search.zig"
+
+    ```
+
 再比如，如果我们想要给定一个目标结点值 `target` ，获取对应的链表结点对象，那么也可以使用哈希查找实现。
 
 ![hash_search_listnode](hashing_search.assets/hash_search_listnode.png)
@@ -221,6 +227,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="hashing_search.zig"
+
+    ```
+
 ## 10.3.2. 复杂度分析
 
 **时间复杂度 $O(1)$** ：哈希表的查找操作使用 $O(1)$ 时间。

docs/chapter_searching/linear_search.md

@@ -150,6 +150,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linear_search.zig"
+
+    ```
+
 再比如，我们想要在给定一个目标结点值 `target` ，返回此结点对象，也可以在链表中进行线性查找。
 
 === "Java"
@@ -297,6 +303,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linear_search.zig"
+
+    ```
+
 ## 10.1.2. 复杂度分析
 
 **时间复杂度 $O(n)$** ：其中 $n$ 为数组或链表长度。

docs/chapter_sorting/bubble_sort.md

@@ -232,6 +232,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="bubble_sort.zig"
+
+    ```
+
 ## 11.2.2. 算法特性
 
 **时间复杂度 $O(n^2)$** ：各轮「冒泡」遍历的数组长度为 $n - 1$ , $n - 2$ , $\cdots$ , $2$ , $1$ 次，求和为 $\frac{(n - 1) n}{2}$ ，因此使用 $O(n^2)$ 时间。
@@ -458,3 +464,9 @@ comments: true
         }
     }
     ```
+
+=== "Zig"
+
+    ```zig title="bubble_sort.zig"
+
+    ```

docs/chapter_sorting/insertion_sort.md

@@ -194,6 +194,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="insertion_sort.zig"
+
+    ```
+
 ## 11.3.2. 算法特性
 
 **时间复杂度 $O(n^2)$** ：最差情况下，各轮插入操作循环 $n - 1$ , $n-2$ , $\cdots$ , $2$ , $1$ 次，求和为 $\frac{(n - 1) n}{2}$ ，使用 $O(n^2)$ 时间。

docs/chapter_sorting/merge_sort.md

@@ -442,6 +442,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="merge_sort.zig"
+
+    ```
+
 下面重点解释一下合并方法 `merge()` 的流程：
 
 1. 初始化一个辅助数组 `tmp` 暂存待合并区间 `[left, right]` 内的元素，后续通过覆盖原数组 `nums` 的元素来实现合并；

docs/chapter_sorting/quick_sort.md

@@ -259,6 +259,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="quick_sort.zig"
+
+    ```
+
 !!! note "快速排序的分治思想"
 
     哨兵划分的实质是将 **一个长数组的排序问题** 简化为 **两个短数组的排序问题**。
@@ -412,6 +418,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="quick_sort.zig"
+
+    ```
+
 ## 11.4.2. 算法特性
 
 **平均时间复杂度 $O(n \log n)$** ：平均情况下，哨兵划分的递归层数为 $\log n$ ，每层中的总循环数为 $n$ ，总体使用 $O(n \log n)$ 时间。
@@ -652,6 +664,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="quick_sort.zig"
+
+    ```
+
 ## 11.4.5. 尾递归优化
 
 **普通快速排序在某些输入下的空间效率变差**。仍然以完全倒序的输入数组为例，由于每轮哨兵划分后右子数组长度为 0 ，那么将形成一个高度为 $n - 1$ 的递归树，此时使用的栈帧空间大小劣化至 $O(n)$ 。
@@ -835,3 +853,9 @@ comments: true
         }
     }
     ```
+
+=== "Zig"
+
+    ```zig title="quick_sort.zig"
+
+    ```

docs/chapter_stack_and_queue/deque.md

@@ -223,6 +223,12 @@ comments: true
     let isEmpty = deque.isEmpty
     ```
 
+=== "Zig"
+
+    ```zig title="deque.zig"
+
+    ```
+
 ## 5.3.2. 双向队列实现
 
 双向队列需要一种可以在两端添加、两端删除的数据结构。与队列的实现方法类似，双向队列也可以使用双向链表和循环数组来实现。
@@ -413,3 +419,9 @@ comments: true
     ```swift title="linkedlist_deque.swift"
 
     ```
+
+=== "Zig"
+
+    ```zig title="linkedlist_deque.zig"
+
+    ```

docs/chapter_stack_and_queue/queue.md

@@ -256,6 +256,12 @@ comments: true
     let isEmpty = queue.isEmpty
     ```
 
+=== "Zig"
+
+    ```zig title="queue.zig"
+
+    ```
+
 ## 5.2.2. 队列实现
 
 队列需要一种可以在一端添加，并在另一端删除的数据结构，也可以使用链表或数组来实现。
@@ -719,6 +725,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linkedlist_queue.zig"
+
+    ```
+
 ### 基于数组的实现
 
 数组的删除首元素的时间复杂度为 $O(n)$ ，因此不适合直接用来实现队列。然而，我们可以借助两个指针 `front` , `rear` 来分别记录队首和队尾的索引位置，在入队 / 出队时分别将 `front` / `rear` 向后移动一位即可，这样每次仅需操作一个元素，时间复杂度降至 $O(1)$ 。
@@ -1241,6 +1253,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array_queue.zig"
+
+    ```
+
 以上代码仍存在局限性，即长度不可变。然而，我们可以通过将数组替换为列表（即动态数组）来引入扩容机制，有兴趣的同学可以尝试实现。
 
 ## 5.2.3. 两种实现对比

docs/chapter_stack_and_queue/stack.md

@@ -255,6 +255,12 @@ comments: true
     let isEmpty = stack.isEmpty
     ```
 
+=== "Zig"
+
+    ```zig title="stack.zig"
+
+    ```
+
 ## 5.1.2. 栈的实现
 
 为了更加清晰地了解栈的运行机制，接下来我们来自己动手实现一个栈类。
@@ -683,6 +689,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="linkedlist_stack.zig"
+
+    ```
+
 ### 基于数组的实现
 
 使用「数组」实现栈时，考虑将数组的尾部当作栈顶。这样设计下，「入栈」与「出栈」操作就对应在数组尾部「添加元素」与「删除元素」，时间复杂度都为 $O(1)$ 。
@@ -1023,6 +1035,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="array_stack.zig"
+
+    ```
+
 ## 5.1.3. 两种实现对比
 
 ### 支持操作

docs/chapter_tree/avl_tree.md

@@ -117,6 +117,12 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 「结点高度」是最远叶结点到该结点的距离，即走过的「边」的数量。需要特别注意，**叶结点的高度为 0 ，空结点的高度为 -1**。我们封装两个工具函数，分别用于获取与更新结点的高度。
 
 === "Java"
@@ -234,6 +240,12 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ### 结点平衡因子
 
 结点的「平衡因子 Balance Factor」是 **结点的左子树高度减去右子树高度**，并定义空结点的平衡因子为 0 。同样地，我们将获取结点平衡因子封装成函数，以便后续使用。
@@ -325,6 +337,12 @@ G. M. Adelson-Velsky 和 E. M. Landis 在其 1962 年发表的论文 "An algorit
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 !!! note
 
     设平衡因子为 $f$ ，则一棵 AVL 树的任意结点的平衡因子皆满足 $-1 \le f \le 1$ 。
@@ -469,6 +487,12 @@ AVL 树的独特之处在于「旋转 Rotation」的操作，其可 **在不影
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ### Case 2 - 左旋
 
 类似地，如果将取上述失衡二叉树的“镜像”，那么则需要「左旋」操作。
@@ -595,6 +619,12 @@ AVL 树的独特之处在于「旋转 Rotation」的操作，其可 **在不影
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ### Case 3 - 先左后右
 
 对于下图的失衡结点 3 ，**单一使用左旋或右旋都无法使子树恢复平衡**，此时需要「先左旋后右旋」，即先对 `child` 执行「左旋」，再对 `node` 执行「右旋」。
@@ -827,6 +857,12 @@ AVL 树的独特之处在于「旋转 Rotation」的操作，其可 **在不影
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ## 7.4.3. AVL 树常用操作
 
 ### 插入结点
@@ -1002,6 +1038,12 @@ AVL 树的独特之处在于「旋转 Rotation」的操作，其可 **在不影
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ### 删除结点
 
 「AVL 树」删除结点操作与「二叉搜索树」删除结点操作总体相同。类似地，**在删除结点后，也需要从底至顶地执行旋转操作，使所有失衡结点恢复平衡**。
@@ -1249,6 +1291,12 @@ AVL 树的独特之处在于「旋转 Rotation」的操作，其可 **在不影
     }
     ```
 
+=== "Zig"
+
+    ```zig title="avl_tree.zig"
+
+    ```
+
 ### 查找结点
 
 「AVL 树」的结点查找操作与「二叉搜索树」一致，在此不再赘述。

docs/chapter_tree/binary_search_tree.md

@@ -214,6 +214,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_search_tree.zig"
+
+    ```
+
 ### 插入结点
 
 给定一个待插入元素 `num` ，为了保持二叉搜索树“左子树 < 根结点 < 右子树”的性质，插入操作分为两步：
@@ -483,6 +489,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_search_tree.zig"
+
+    ```
+
 为了插入结点，需要借助 **辅助结点 `prev`** 保存上一轮循环的结点，这样在遍历到 $\text{null}$ 时，我们也可以获取到其父结点，从而完成结点插入操作。
 
 与查找结点相同，插入结点使用 $O(\log n)$ 时间。
@@ -934,6 +946,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_search_tree.zig"
+
+    ```
+
 ## 7.3.2. 二叉搜索树的效率
 
 假设给定 $n$ 个数字，最常用的存储方式是「数组」，那么对于这串乱序的数字，常见操作的效率为：

docs/chapter_tree/binary_tree.md

@@ -121,6 +121,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 结点的两个指针分别指向「左子结点 Left Child Node」和「右子结点 Right Child Node」，并且称该结点为两个子结点的「父结点 Parent Node」。给定二叉树某结点，将左子结点以下的树称为该结点的「左子树 Left Subtree」，右子树同理。
 
 除了叶结点外，每个结点都有子结点和子树。例如，若将下图的「结点 2」看作父结点，那么其左子结点和右子结点分别为「结点 4」和「结点 5」，左子树和右子树分别为「结点 4 及其以下结点形成的树」和「结点 5 及其以下结点形成的树」。
@@ -294,6 +300,12 @@ comments: true
     n2.right = n5
     ```
 
+=== "Zig"
+
+    ```zig title="binary_tree.zig"
+
+    ```
+
 **插入与删除结点**。与链表类似，插入与删除结点都可以通过修改指针实现。
 
 ![binary_tree_add_remove](binary_tree.assets/binary_tree_add_remove.png)
@@ -400,6 +412,12 @@ comments: true
     n1.left = n2
     ```
 
+=== "Zig"
+
+    ```zig title="binary_tree.zig"
+
+    ```
+
 !!! note
 
     插入结点会改变二叉树的原有逻辑结构，删除结点往往意味着删除了该结点的所有子树。因此，二叉树中的插入与删除一般都是由一套操作配合完成的，这样才能实现有意义的操作。
@@ -545,6 +563,12 @@ comments: true
     let tree: [Int?] = [1, 2, 3, 4, nil, 6, 7, 8, 9, nil, nil, 12, nil, nil, 15]
     ```
 
+=== "Zig"
+
+    ```zig title=""
+
+    ```
+
 ![array_representation_with_empty](binary_tree.assets/array_representation_with_empty.png)
 
 回顾「完全二叉树」的定义，其只有最底层有空结点，并且最底层的结点尽量靠左，因而所有空结点都一定出现在层序遍历序列的末尾。**因为我们先验地确定了空位的位置，所以在使用数组表示完全二叉树时，可以省略存储“空位”**。因此，完全二叉树非常适合使用数组来表示。

docs/chapter_tree/binary_tree_traversal.md

@@ -208,6 +208,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_tree_bfs.zig"
+
+    ```
+
 ## 7.2.2. 前序、中序、后序遍历
 
 相对地，前、中、后序遍历皆属于「深度优先遍历 Depth-First Traversal」，其体现着一种“先走到尽头，再回头继续”的回溯遍历方式。
@@ -503,6 +509,12 @@ comments: true
     }
     ```
 
+=== "Zig"
+
+    ```zig title="binary_tree_dfs.zig"
+
+    ```
+
 !!! note
 
     使用循环一样可以实现前、中、后序遍历，但代码相对繁琐，有兴趣的同学可以自行实现。