怎么样，是不是很简单？
下面我们来详细阐述一下细节，首先后序遍历和维护出栈顺序是一码事。也就是在递归的过程当中当我们遍历完了u这个节点所有连通的点之后，再把u加入序列。其实也就是u在递归出栈的时候才会被加入序列，那么序列当中存储的也就是每个点的出栈顺序。
这里我用一小段代码演示一下，看完也就明白了。
popped = [] # 存储出栈节点
def dfs(u):
for v in Graph[u]:
dfs(v)
popped.append(u)
我们在访问完了所有的v之后再把u加入序列，这也就是后序遍历，和二叉树的后序遍历是类似的。
反向图也很好理解，由于我们求解的范围是有向图，如果原图当中存在一条边从u指向v，那么反向图当中就会有一条边从v指向u。也就是把所有的边都调转反向。
我们用上面的图举个例子，对于原图来说，它的出栈顺序我们用红色笔标出。
也就是[6, 4, 2, 5, 3, 1]，我们按照出栈顺序从大到小排序，也就是将它反序一下，得到[1, 3, 5, 2, 4, 6]。1是第一个，也就是最后一个出栈的，也意味着1是遍历的起点。
我们将它反向之后可以得到：
我们再次从1出发可以遍历到2，3， 4，说明{1, 2, 3, 4}是一个强连通分量。
怎么样，整个过程是不是非常简单？
我们将这段逻辑用代码实现，也并不会很复杂。
N = 7
graph, rgraph = [[] for _ in range(N)], [[] for _ in range(N)]
used = [False for _ in range(N)]
popped = []
# 建图
def add_edge(u, v):
graph[u].append(v)
rgraph[v].append(u)
# 正向遍历
def dfs(u):
used[u] = True
for v in graph[u]:
if not used[v]:
dfs(v)
popped.append(u)
# 反向遍历
def rdfs(u, scc):
used[u] = True
scc.append(u)
for v in rgraph[u]:
if not used[v]:
rdfs(v, scc)
# 建图，测试数据
def build_graph():
add_edge(1, 3)
add_edge(1, 2)
add_edge(2, 4)
add_edge(3, 4)
add_edge(3, 5)
add_edge(4, 1)
add_edge(4, 6)
add_edge(5, 6)
if __name__ == "__main__":
build_graph()
for i in range(1, N):
if not used[i]:
dfs(i)
used = [False for _ in range(N)]
# 将第一次dfs出栈顺序反向
popped.reverse()
for i in popped:
if not used[i]:
scc = []
rdfs(i, scc)
print(scc)
思考
算法讲完了，代码也写了，但是并没有结束，仍然有一个很大的疑惑没有解开。算法的原理很简单，很容易学会，但问题是为什么这样做就是正确的呢？这其中的原理是什么呢？我们似乎仍然没有弄得非常清楚。
这里面的原理其实很简单，我们来思考一下，如果我们在正向dfs的时候，u点出现在了v点的后面，也就是u点后于v点出栈。有两种可能，一种可能是u点可以连通到v点，说明u是v的上游。还有一种可能是u不能连通到v，说明图被分割成了多个部分。对于第二种情况我们先不考虑，因为这时候u和v一定不在一个连通分量里。对于第一种情况，u是v的上游，说明u可以连通到v。
这时候，我们将图反向，如果我们从u还可以访问到v，那说明了什么？很明显，说明了在正向图当中v也有一条路径连向u，不然反向之后u怎么连通到v呢？所以，u和v显然是一个强连通分量当中的一个部分。我们再把这个结论推广，所有u可以访问到的，第一次遍历时在它之前出栈的点，都在一个强连通分量当中。
如果你能理解了这一点，那么整个算法对你来说也就豁然开朗了，相信剩下的细节也都不足为虑了。
今天的文章到这里就结束了，如果喜欢本文的话，请来一波素质三连，给我一点支持吧（关注、转发、点赞）。
- END -