查找字符串子串——逐步理解字符串Hash算法

引出

字符串hash一般应用在字符串匹配问题：给定一个长度为n的s串，以及一个长度为m的t串，求t串在s串出现的次数或者位置。

因为查询整数有很多技巧，比字符串要快和丰富（比如二分），所以字符串hash的思路就是利用特殊的公式将一个字符串与一个整数对应，并且尽量保证互相唯一对应，这样只要查到对应的整数出现了，就表明字符串出现了，这对应整数叫字符串的hash值。

有许多种构建字符串和整数对应公式的办法，通常情况下字符串很容易只对应一个整数，但是反过来很可能有一个整数对应了多个字符串的情况，这种不唯一对应的情况称为hash冲突，我们构建的公式要尽量避免这种冲突，简单的a-1,b-2这种思路是很容易冲突的，所以我们站在巨人的肩膀上，有前人已经总结出的较好的避免冲突的构建办法，本着实用主义介绍两种：

各取所需，建议都看
单hash法/自然溢出法：简单，有一定冲突概率，时间较短，没有刻意刁难的题目一般用这个就够了
双hash法：冲突概率几乎可以不计，但是时间消耗比较长
此外还有冲突概率低且用时短的拉链法等，但是代码构造比较复杂，这里不展开介绍

单hash法&自然溢出法

基本思路：

在数数时，超过9之后，我们采用1和0的组合来表示比9大1的数，依此类推，实现了只用0-9这10个数字来表示所有的数，这种表达办法的核心是，进制。

那在表达字母的时候，字母有26个，转化成数字，可不可以近似理解成对应26进制，比如a是1，b是2，依此类推到z是26，然后aa是27，ab就是28。这种思路其实也是hash的基础思路，也就是进制hash。

展开来看就是：假设把a-z与1-26对应，那么按照我们进制转换的习惯，以10进制为例，121=1 * 10¹+2 * 10¹+1 * 10⁰，同理aba=1 * 26²+2 * 26¹+ 1 * 26⁰，这样看是不是每个字符串都能对应出一个整数了？但是会产生很多问题：

问题1：过长的字符串在计算机里表示成整数存不下。因为字符串可能才几位，这个对应的整数就已经很大很大了。那么当计算出的整数可能超过上限时，我们对其取余一个较大的数h进行处理，也就是mod一个h，能将其从上限变回h以内的一个数。

问题2：进制刚好26，则取模回来必然导致重复。虽然取模解决了计算机内存储的问题，但是如果是以例子中的26进制，因为字母刚好26个，也就是每一位进制在利用的时候必然是存满的，到了上限再取模回来，必然和前面的数有同样的hash值。这个时候如果把进制变大，那么两个不同位数的字符串之间的空出的位置就会变大，比如进制取27时，z=26 * 27⁰=26，aa=1 * 27¹+1 * 27⁰=28，那么原先26进制中的27的位置存aa，现在就被空出来了，进制再取大则空的位置更多，那么当我们的字符串位数超过存储上限的时候，取模回来有一定概率存到这些空中，那么这个长字符串和短字符串冲突的概率就变小了，当进制和取模的数调整的比较好的时候，这种概率就会变得很低。

同时我们希望依托字符串的子串来获得更长一位的hash值，而不是遍历每一位算出它的值（也就是利用前缀和减少遍历时间）：
本身进制计算的时候，就是第x位上的数乘以进制b的x-1次方，然后把所有位的值相加，例如十进制的121=1 * 10¹+2 * 10¹+1 * 10⁰。但其实还有一种办法也是可以的，就是假设我知道了12的值，我想算出121，只要把12 * 10+1，同理1234，其实就是123 * 10+4。那么同样的思路，我要存cd，我可以存c的值，然后让c*进制+d，这个时候如果再往后读了一位，字符串变成了cdb，那么我就可以用cd的值乘以进制+b得到cdb的hash值，这样就依托了字符串的子串。

要说明的是，我只需要保证我已经存的子串有确切对应的数就行了，而不需要浪费其他的数来存我不需要的。虽然上限定了之后，存的数的总量没变，也就是表达不同字符的空间没变多，但是我们没有必要让字符串排列的每一种可能都呈现。

假设3位字符串，我没必要让a-zzz的所有情况都用一个数来表示，我只要在我已经得到的字符串的基础上，不让多存一位的字符串和已经存过的子串的hash值一样即可。例如我得到anakj，我只要保证，a,an,ana,anak,anakj都是不同整数表示就行，我甚至可以让他们分别等于1，2，3，4，5，但是这样找不出普遍存储的规律，所以才有了上述进制hash的思路，可以让更长位数的字符串保存在我调高进制时空出来的部分。

同时虽然这些空的部分按照进制运算应该对应某个字符串a，但是空位被长的b存进去了，只要在更高位b的子串中没有这个被替代的a本身，那么这个重复其实本质上没有影响到我后续的判定；以26进制为例，假设mod的h=27，然后26进制下按照规律应该是a=1,b=2这样对应过来，但我存ac的时候，其实前面只存了a的hash值对应的是1，ac=29mod27=2就没有重复，虽然按规律b应该对应2，但是我并不需要找一个数对应b，而是需要找一个数对应ac，所以我并不介意；但是存ab时ab=28mod27=1，就和1重复了，这就是冲突。

所以常见的取进制是131，233，13331，mod要大于进制数（不然进制的意义何在），一般不用人为取mod值，unsigned long long的最大值2的64次-1，在计算机里超过这个值会自动取模，这就是自然溢出法，如果人为规定一个mod值，那就是单hash，至于为什么进制取131这种就需要更深入的展开，这里就记结论就行。

总结：

构建：假设进制为base，取模的值是h，原字符串s,到第i位也就是s[i]的hash值则可以表示为

Hash（i）= [ Hash(i-1) * base + s(i) ] mod h;

取出子串：如果想取出某个中间的子串，比如取第k到第k+j位，那么只要用Hash(k+j) - Hash(k) * base^k，同时别忘了再取模就行了。例如3415，想取出41，是不是只要341的hash值减去3 * base^2就行

Hash（s’）= [ Hash(k+j)-Hash(k) * base^k ] mod h;

代码实现：

因为自然溢出法比人为定义一个mod的单hash要优秀很多，单hash在人为规定mod值之后会比自然溢出法要多出一些时间，所以这里主要展开注释自然溢出法

//自然溢出法
//本身公式是递推公式，所以代码实现思路是递归
int base = 131;//进制一般取131，13331，233
unsigned long long hashN(char s[])
{
	unsigned long long hash = 0;
	int len = strlen(s);
	for (long long i = 0; i < len; i++)
	{
		hash = base * hash + (unsigned long long)s[i];
		//利用unsigned long long 的范围自动溢出，而不用取mod
	}
	return hash;
}

双hash法

基本思路：

了解了单hash的原理后，双hash的目的就是降低冲突的概率，那么我用两种不同的取模值，取出来的值都对应一个字符串，那么另一个字符串想要和之前存好的字符串有冲突，它在两个取模值下的hash值就必须都和前一个一样，这个冲突的概率就远远低于了只有一个取模时的难度。

那么只要一个字符串对应两个hash值，然后我们让单hash执行两遍，两遍的mod值取的不一样就可以了，其中一个字符串对应两个hash值可以建立一个结构体，里面存它的两个对应的hash值，比如结构体下arr[i].x存第一个hash值，arr[i].y存第二个，当然用pair之类的也可以，只要能一个下标对应存下两个值就行。

代码实现：

这里可以直接上代码了，有了前面的基础，代码看一遍基本就明白了：

//双hash法
const int maxn = 1005;//maxn根据字符串最大长度定
int base = 131;

//用来存一个字符串在不同取模下的两个hash值
struct node
{
	unsigned long long x, y;
}arr[maxn];

//定义两个不同的取模值
unsigned long long mod1 = 1e9 + 7;//大质数
unsigned long long mod2 = 1e9 + 9;//大质数

unsigned long long hash1(char s[])//其实这就是单hash，作为双hash的一部分
{
	int len = strlen(s);
	unsigned long long hash = 0;
	for (int i = 0; i < len; i++)
	{
		hash = (hash * base + (unsigned long long)s[i]) % mod1;
	}
	return hash;
}

unsigned long long hash2(char s[])//其实这就是单hash，作为双hash的一部分
{
	int len = strlen(s);
	unsigned long long hash = 0;
	for (int i = 0; i < len; i++)
	{
		hash = (hash * base + (unsigned long long)s[i]) % mod2;
	}
	return hash;
}

//给到第i位的字符串赋值
arr[i].x = hash1(s);
arr[i].y = hash2(s);