C++：哈希（闭散列、开散列）

最新推荐文章于 2023-05-08 17:57:45 发布
最新推荐文章于 2023-05-08 17:57:45 发布
阅读量816 收藏 6
点赞数
分类专栏： C++专栏
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/AngelDg/article/details/105924091
版权

文章目录

哈希概念

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即O(log2N)，搜索的效率取决于搜索过程中元素的比较次数。

理想的搜索方法：不经过任何比较，一次直接从表中得到要搜索的元素。 如果构造一种存储结构，通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系，那么在查找时通过该函数可以很快找到该元素。

当向该结构中:

  • 插入元素

    根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放

  • 搜索元素

    对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置取元素比较，若关键码相等，则搜索成功

该方式即为哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称为哈希表 (Hash Table)(或者称散列表)

例如：数据集合{1，7，6，4，5，9};

哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。
在这里插入图片描述

用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快。 问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题?（哈希冲突）

哈希冲突

对于两个数据元素的关键字ki和 kj(i != j)，有 ki != kj ，但有：Hash( ki ) == Hash( kj )，即：不同关键字通过相同哈希哈数计算出相同的哈希地址，该种现象称为哈希冲突或哈希碰撞。

把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。 发生哈希冲突该如何处理呢?

哈希函数

引起哈希冲突的一个原因可能是：哈希函数设计不够合理。 哈希函数设计原则:

  • 哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值域必须在0 到m-1之间

  • 哈希函数计算出来的地址能均匀分布在整个空间中

  • 哈希函数应该比较简单

常见哈希函数

  1. 直接定制法

取关键字的某个线性函数为散列地址:Hash(Key)= A*Key + B

  • 优点：简单、均匀
  • 缺点：需要事先知道关键字的分布情况 使用场景:适合查找比较小且连续的情况
  1. 除留余数法

设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址

  1. 平方取中法

假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址; 再比如关键字为 4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址

平方取中法比较适合：不知道关键字的分布，而位数又不是很大的情况

  1. 折叠法

折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。

折叠法适合事先不需要知道关键字的分布，适合关键字位数比较多的情况

  1. 随机数法

选择一个随机函数，取关键字的随机函数值为它的哈希地址，即H(key) = random(key)，其中random为随机数函数。

通常应用于关键字长度不等时采用此法

  1. 数学分析法

设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。例如:

在这里插入图片描述

假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现冲突，还可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改 成12+34=46)等方法。

数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况

注意:哈希函数设计的越精妙，产生哈希冲突的可能性就越低，但是无法避免哈希冲突

哈希冲突解决

闭散列

也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。 那如何寻找下一个空位置呢?

  1. 线性探测

比如
在这里插入图片描述

现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr为4，因此44理论上应该插在该位置，但是该位置已经放了值为4的元素，即发生哈希冲突。

线性探测:从发生冲突的位置开始，依次向后探测，直到寻找到下一个空位置为止。

  • 插入

    通过哈希函数获取待插入元素在哈希表中的位置

    如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突，使用线性探测找到下一个空位置，插入新元素

在这里插入图片描述

  • 删除

采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素会影响其他元素的搜索。比如删除元素4，如果直接删除掉，44查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。

    // 哈希表每个空间给个标记
	// EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除 
	enum State{EMPTY, EXIST, DELETE};

什么时机增容，如何增容?

在这里插入图片描述

线性探测的实现
#pragma once

#include <map>
#include <vector>
using namespace std;

namespace dg {

enum State {
	EMPTY,
	EXIST,
	DELETE
};

// 整形数据不需要转化
class dealInt
{
public:
	int operator()(int n)
	{
		return n;
	}
};

// key为字符串类型，需要将其转化为整形
class dealString
{
public:
	int operator()(const string& n)
	{
		int sum = 0;
		int seed = 131;	// 131进制

		for (const char& c : n)
		{
			sum = sum * seed + c;
		}

		return sum & 0x7FFFFFFF;	// 为了保证得到的index的第一位为0，也就是为了得到一个正数。
	}
};

template<class K, class V, class SW = dealInt>
class hashTable
{
	struct elem
	{
		pair<K, V> m_val;
		State m_state;

		elem(const K& key = K(), const V& val = V(), State state = EMPTY) :
			m_val(key, val),
			m_state(state)
		{}
	};

	vector<elem> m_table;
	size_t m_size;

	static long long s_m_primeTable[30];
	int m_primePos;
public:
	hashTable(size_t capacity = s_m_primeTable[0]) :
		m_table(capacity),
		m_size(0),
		m_primePos(0)
	{}

	size_t capacity()
	{
		return m_table.size();
	}

private:
	int hashFunc(const K& key)
	{
		SW func;
		return func(key) % capacity();
	}

	void reserve()
	{
		vector<elem> tmp;

		m_table.swap(tmp);
		m_table.resize(s_m_primeTable[++m_primePos]);

		m_size = 0;
		for (auto& e : tmp)
		{
			if (e.m_state == EXIST)
			{
				insert(e.m_val);
			}
		}
	}

public:
	bool insert(const pair<K, V>& val)
	{
		if ((long long)size() * 100 / capacity() >= 75)
		{
			reserve();
		}

		int n = hashFunc(val.first);

		while (m_table[n].m_state == EXIST)
		{
			if (m_table[n].m_val.first == val.first)
			{
				return false;
			}

			n++;
			if (n == capacity())
			{
				n = 0;
			}
		}
		m_table[n].m_val = val;
		m_table[n].m_state = EXIST;

		m_size++;
		return true;
	}

	int find(const K& key)
	{
		int n = hashFunc(key);

		while (m_table[n].m_state != EMPTY)
		{
			if (m_table[n].m_state == EXIST && m_table[n].m_val.first == key)
			{
				return n;
			}
			n++;
			if (n == capacity())
			{
				n = 0;
			}
		}
		return -1;
	}

	bool erase(const K& key)
	{
		int ret = find(key);

		if (ret < 0)
		{
			return false;	// 不存在
		}
		else
		{
			m_table[ret].m_state = DELETE;
			m_size--;
		}
	}

	size_t size()
	{
		return m_size;
	}

	bool empty()
	{
		return m_size == 0;
	}

	// 交换两个表（容器）
	void Swap(hashTable<K, V>& ht)
	{
		m_table.swap(ht.m_table);

		size_t tmp;

		tmp = m_size;
		m_size = ht.m_size;
		ht.m_size = tmp;
	}
};

// 素数表（除留余数法，最好模一个素数）
template<class K, class V, class SW>
long long hashTable<K, V, SW>::s_m_primeTable[30] = {
		11,         23,         47,         89,        179,
	   353,        709,       1409,       2819,       5639,
	 11273,      22531,      45061,      90121,     180233,
	360457,     720899,    1441807,    2883593,    5767169,
  11534351,   23068673,   46137359,   92274737,  184549429,
 369098771,  738197549, 1476395029, 2952790016u, 4294967291u 
};

};

线性探测优点: 实现非常简单，

线性探测缺点: 一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”，即:不同关键码占据 了可利用的空位置，使得寻找某关键码的位置需要许多次比较，导致搜索效率降低。 如何缓解呢?

  1. 二次探测

线性探测的缺陷是产生冲突的数据堆积在一块，这与其找下一个空位置有关系，因为找空位置的方式就 是挨着往后逐个去找，因此二次探测为了避免该问题，找下一个空位置的方法为:Hi = (H0 + i2)% m, 或者: Hi= ( H0 - i2 )% m。其中:i = 1,2,3…， 是通过散列函数Hash(x)对元素的关键码 key 进行 计算得到的位置，m是表的大小。

研究表明:当表的长度为质数且表装载因子a不超过0.5时，新的表项一定能够插入，而且任何一个位置都不会被探查两次。因此只要表中有一半的空位置，就不会存在表满的问题。在搜索时可以不考虑表装 满的情况，但在插入时必须确保表的装载因子a不超过0.5，如果超出必须考虑增容。

因此:闭散列最大的缺陷就是空间利用率比较低，这也是哈希的缺陷。

开散列

开散列法又叫链地址法(开链法)，首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中。

在这里插入图片描述

在这里插入图片描述

从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素

开散列增容

桶的个数是一定的，随着元素的不断插入，每个桶中元素的个数不断增多，极端情况下，可能会导致一个桶中链表节点非常多，会影响的哈希表的性能，因此在一定条件下需要对哈希表进行增容，那该条件怎么确认呢?开散列最好的情况是:每个哈希桶中刚好挂一个节点，再继续插入元素时，每一次都会发生哈希冲突，因此，在元素个数刚好等于桶的个数时，可以给哈希表增容。

开散列的实现
#pragma once
#include <vector>
using namespace std;

template<class T>
class HashBucketNode
{
	T m_val;
	HashBucketNode<T>* m_next;

	HashBucketNode(const T& val = T()) :
		m_val(val),
		m_next(nullptr)
	{}

	template<class T, class SW>
	friend class HashSet;
};

class dealInt
{
public:
	int operator()(int n)
	{
		return n;
	}
};

template<class T, class SW = dealInt>
class HashSet
{
	vector<HashBucketNode<T>*> m_data;
	size_t m_size;

	static long long s_m_primeTable[30];
	int m_primePos;
public:
	HashSet(size_t capacity = s_m_primeTable[0]) :
		m_data(capacity, nullptr),
		m_size(0),
		m_primePos(0)
	{}

private:
	int hashFunc(const T& key)
	{
		SW func;
		return func(key) % capacity();
	}

	void checkCapacity()
	{
		if (m_size == capacity())
		{
			int mcapa = capacity();
			vector<HashBucketNode<T>*> tmp(s_m_primeTable[++m_primePos], nullptr);
			m_data.swap(tmp);
			m_size = 0;

			int i;
			HashBucketNode<T>* cur;
			for (i = 0; i < mcapa; i++)
			{
				for (cur = tmp[i]; cur; cur = cur->m_next)
				{
					insert(cur->m_val);
				}
			}
		}
	}

public:
	bool insert(const T& val)
	{
		checkCapacity();

		int hashnum = hashFunc(val);
		HashBucketNode<T>* tmp;

		if (m_data[hashnum])
		{
			for (tmp = m_data[hashnum]; tmp; tmp = tmp->m_next)
			{
				if (tmp->m_val == val)
				{
					return false;
				}
			}
		}

		tmp = new HashBucketNode<T>(val);

		tmp->m_next = m_data[hashnum];
		m_data[hashnum] = tmp;

		m_size++;
		return true;
	}

	bool erase(const T& val)
	{
		int hashnum = hashFunc(val);
		HashBucketNode<T>* tmp;

		if (!m_data[hashnum])
		{
			return false;
		}

		if (m_data[hashnum]->m_val == val)
		{
			tmp = m_data[hashnum];
			m_data[hashnum] = tmp->m_next;
			delete tmp;

			m_size--;
			return true;
		}
		else
		{
			for (tmp = m_data[hashnum]; tmp->m_next; tmp = tmp->m_next)
			{
				if (tmp->m_next->m_val == val)
				{
					HashBucketNode<T>* cur;
					cur = tmp->m_next;
					tmp->m_next = cur->m_next;
					delete cur;

					m_size--;
					return true;
				}
			}
			return false;
		}
	}

	HashBucketNode<T>* find(const T& val)
	{
		int hashnum = hashFunc(val);

		HashBucketNode<T>* cur;
		for (cur = m_data[hashnum]; cur; cur = cur->m_next)
		{
			if (cur->m_val == val)
			{
				return cur;
			}
		}
		return nullptr;
	}

	void clear()
	{
		HashBucketNode<T>* tmp;
		for (auto& head : m_data)
		{
			while (head)
			{
				tmp = head;
				head = head->m_next;
				delete tmp;
			}
		}
		m_size = 0;
	}

	size_t capacity()
	{
		return s_m_primeTable[m_primePos];
	}
};

template<class T, class SW>
long long HashSet<T, SW>::s_m_primeTable[30] = {
	11, 23, 47, 89, 179,
	353, 709, 1409, 2819, 5639,
	11273, 22531, 45061, 90121, 180233,
	360457, 720899, 1441807, 2883593, 5767169,
	11534351, 23068673, 46137359, 92274737, 184549429,
	369098771, 738197549, 1476395029, 2952790016u, 4294967291u
};

开散列与闭散列比较

应用链地址法处理溢出，需要增设链接指针，似乎增加了存储开销。事实上: 由于开地址法必须保持大 量的空闲空间以确保搜索效率，如二次探查法要求装载因子a <= 0.5，而表项所占空间又比指针大的多，所以使用链地址法反而比开地址法节省存储空间。

unordered_map模拟实现（应用开散列）

main函数文件

#include "unordered_map.h"
#include <iostream>
using namespace std;

int main()
{
	dg::unordered_map<int, int> hb;

	hb[2] = 7;
	hb[4] = 6;
	hb[11] = 14;
	hb[7] = 9;
	hb[5] = 1;

	for (auto& e : hb)
	{
		cout << e.first << ' ' << e.second << endl;
	}

	return 0;
}

unordered_map头文件

#include "HashBucket.h"

namespace dg {

template <class K, class V, class HF = dealInt>
class unordered_map
{
	class KeyofValue
	{
	public:
		const K& operator()(const pair<K, V>& data)
		{
			return data.first;
		}
	};

	HashBucket<K, pair<K, V>, KeyofValue, HF> m_hb;

public:
	// typename 是为了识别类型
	typename typedef HashBucket<K, pair<K, V>, KeyofValue, HF>::iterator iterator;

	unordered_map() :
		m_hb()
	{}

	~unordered_map()
	{
		m_hb.~HashBucket();
	}
	iterator begin()
	{
		return m_hb.begin();
	}
	iterator end()
	{
		return m_hb.end();
	}
	iterator size()
	{
		return m_hb.size();
	}
	iterator find(const V& val)
	{
		return m_hb.find(val);
	}
	size_t count(const K& key)
	{
		return m_hb.count(key);
	}
	void clear()
	{
		return m_hb.clear();
	}
	bool empty()
	{
		return m_hb.empty();
	}
	pair<iterator, bool> insert(const pair<K, V> val)
	{
		return m_hb.insert(val);
	}
	V& operator[](const K& key)
	{
		pair<iterator, bool> ptmp = m_hb.insert(pair<K, V>(key, V()));
		iterator itmp = ptmp.first;
		return (*itmp).second;
	}
	const V& operator[](const K& key) const
	{
		return (*(m_hb.insert(pair<K, V>(key, V()))).first).second;
	}
};

};

哈希桶头文件

#pragma once
#include <vector>
using namespace std;

namespace dg {

	template<class T>
	class HashBucketNode
	{
		T m_val;
		HashBucketNode<T>* m_next;

		HashBucketNode(const T& val = T()) :
			m_val(val),
			m_next(nullptr)
		{}

		template<class K, class V, class KeyofValue, class HF>
		friend class HashBucket;
	};

	class dealInt
	{
	public:
		int operator()(int n)
		{
			return n;
		}
	};

	template<class K, class V, class KeyofValue, class HF = dealInt>
	class HashBucket
	{
		vector<HashBucketNode<V>*> m_data;
		size_t m_size;

		static long long s_m_primeTable[30];
		int m_primePos;
	public:
		HashBucket(size_t capacity = s_m_primeTable[0]) :
			m_data(capacity, nullptr),
			m_size(0),
			m_primePos(0)
		{}

		~HashBucket()
		{
			clear();
		}

		class iterator
		{
		public:
			HashBucket<K, V, KeyofValue, HF>* m_hb;
			HashBucketNode<V>* m_node;

			iterator(HashBucketNode<V>* node = nullptr,
				HashBucket<K, V, KeyofValue, HF>* hbpos = nullptr) :
				m_node(node),
				m_hb(hbpos)
			{}

			iterator(const iterator& it) :
				m_node(it.m_node),
				m_hb(it.m_hb)
			{}

			V& operator*()
			{
				return m_node->m_val;
			}

			V* operator->()
			{
				return &m_node->m_val;
			}

			// 前置++
			iterator operator++()
			{
				V val = m_node->m_val;
				m_node = m_node->m_next;
				if (!m_node)
				{
					int bucketno = m_hb->hashFunc(KeyofValue()(val)) + 1;
					for (; bucketno < m_hb->capacity(); bucketno++)
					{
						if (m_hb->m_data[bucketno])
						{
							m_node = m_hb->m_data[bucketno];
							break;
						}
					}
				}

				return *this;
			}

			iterator operator++(int)
			{
				HashBucket<K, V, KeyofValue, HF> tmp = *this;
				++(*this);
				return tmp;
			}

			bool operator==(const iterator& data) const
			{
				return m_node == data.m_node && m_hb == data.m_hb;
			}

			bool operator!=(const iterator& data) const
			{
				return m_node != data.m_node || m_hb != data.m_hb;
			}
		};


	private:
		int hashFunc(const K& key)
		{
			HF func;
			return func(key) % capacity();
		}

		void checkCapacity()
		{
			if (m_size == capacity())
			{
				int mcapa = capacity();
				vector<HashBucketNode<V>*> tmp(s_m_primeTable[++m_primePos], nullptr);
				m_data.swap(tmp);
				m_size = 0;

				int i;
				HashBucketNode<V>* cur;
				for (i = 0; i < mcapa; i++)
				{
					for (cur = tmp[i]; cur; cur = cur->m_next)
					{
						insert(cur->m_val);
					}
				}
			}
		}

	public:
		iterator begin()
		{
			int bucketno = 0;
			for (; bucketno < capacity(); bucketno++)
			{
				if (m_data[bucketno])
				{
					return iterator(m_data[bucketno], this);
				}
			}

			return iterator(nullptr, this);
		}

		iterator end()
		{
			return iterator(nullptr, this);
		}


		pair<iterator, bool> insert(const V& val)
		{
			checkCapacity();

			int hashnum = hashFunc(KeyofValue()(val));
			HashBucketNode<V>* tmp;

			if (m_data[hashnum])
			{
				for (tmp = m_data[hashnum]; tmp; tmp = tmp->m_next)
				{
					if (tmp->m_val == val)
					{
						pair<iterator, bool> pairtmp;
						pairtmp.first = end();
						pairtmp.second = false;
						return pairtmp;
					}
				}
			}

			tmp = new HashBucketNode<V>(val);

			tmp->m_next = m_data[hashnum];
			m_data[hashnum] = tmp;

			m_size++;

			pair<iterator, bool> pairtmp;
			iterator it(m_data[hashnum], this);
			pairtmp.first = it;
			pairtmp.second = true;
			return pairtmp;
		}

		iterator erase(const V& val)
		{
			int hashnum = hashFunc(KeyofValue()(val));
			HashBucketNode<V>* tmp;

			if (!m_data[hashnum])
			{
				return end();
			}

			if (m_data[hashnum]->m_val == val)
			{
				iterator res(m_data[hashnum], this);
				++res;

				tmp = m_data[hashnum];
				m_data[hashnum] = tmp->m_next;
				delete tmp;

				m_size--;
				return res;
			}
			else
			{
				for (tmp = m_data[hashnum]; tmp->m_next; tmp = tmp->m_next)
				{
					if (tmp->m_next->m_val == val)
					{
						iterator res(tmp->m_next, this);
						++res;

						HashBucketNode<V>* cur;
						cur = tmp->m_next;
						tmp->m_next = cur->m_next;
						delete cur;

						m_size--;
						return res;
					}
				}
				return end();
			}
		}

		iterator find(const V& val)
		{
			int hashnum = hashFunc(KeyofValue()(val));

			HashBucketNode<V>* cur;
			for (cur = m_data[hashnum]; cur; cur = cur->m_next)
			{
				if (cur->m_val == val)
				{
					return iterator(cur, this);
				}
			}
			return iterator(nullptr, this);
		}

		void clear()
		{
			HashBucketNode<V>* tmp;
			for (auto& head : m_data)
			{
				while (head)
				{
					tmp = head;
					head = head->m_next;
					delete tmp;
				}
			}
			m_size = 0;
		}

		size_t capacity()
		{
			return s_m_primeTable[m_primePos];
		}

		size_t size()
		{
			return m_size;
		}

		bool empty()
		{
			return m_size == 0;
		}

		size_t count(const K& kv)
		{
			int bucketno = hashFunc(kv);
			HashBucketNode<V>* cur;
			for (cur = m_data[bucketno]; cur; cur = cur->m_next)
			{
				if (KeyofValue()(cur->m_val) == kv)
				{
					return 1;
				}
			}
			return 0;
		}

		size_t bucketCount()
		{
			return capacity();
		}

		size_t bucketSize(size_t bucketno)
		{
			HashBucketNode<V>* cur;
			int count = 0;
			for (cur = m_data[bucketno]; cur; cur = cur->next)
			{
				count++;
			}
			return count;
		}
	};

	template<class K, class V, class KeyofValue, class HF>
	long long HashBucket<K, V, KeyofValue, HF>::s_m_primeTable[30] = {
		11, 23, 47, 89, 179,
		353, 709, 1409, 2819, 5639,
		11273, 22531, 45061, 90121, 180233,
		360457, 720899, 1441807, 2883593, 5767169,
		11534351, 23068673, 46137359, 92274737, 184549429,
		369098771, 738197549, 1476395029, 2952790016u, 4294967291u
	};

};

代码生成图
在这里插入图片描述

知识点习题：

  1. 下面哪个说法是错误的

A. 哈希表不可以用数组实现
B. 队列可以用数组实现
C. 二叉树可以用数组来实现
D. 栈可以用单项链表来实现

正确答案： A

  1. hash map 线程不安全的原因，错误的是

A. jbk1.7中，在多线程环境下，扩容时会造成数据丢失
B. jbk1.7中，在多线程环境下，扩容时会造成环形链
C. jbk1.8中，在多线程环境下，扩容时会造成环形链
D. jbk1.8中，在多线程环境下，会发生数据覆盖的情况

正确答案： C

答案解析：

HashMap的线程不安全体现在会造成死循环、数据丢失、数据覆盖这些问题。其中死循环和数据丢失是在JDK1.7中出现的问题，在JDK1.8中已经得到解决，然而1.8中仍会有数据覆盖这样的问题。（Java 方面）

如有不同见解，欢迎留言讨论

小米内推官_AngelDg
关注
专栏目录
c++ SHA1哈希散列算法(附demo源码）
Keivin
07-17 973
1 SHA1算法简介 安全哈希算法（Secure Hash Algorithm）主要适用于数字签名标准（Digital Signature Standard DSS）里面定义的数字签名算法（Digital Signature Algorithm DSA）。对于长度小于2^64位的消息，SHA1会产生一个160位的消息摘要。当接收到消息的时候，这个消息摘要可以用来验证数据的完整性。在传输的过程中，数据很可能会发生变化，那么这时候就会产生不同的消息摘要。 SHA1有如下特性：不可以从消息摘要中复原信息；两个
C++STL-无序容器-哈希表（散列存储）
Iamasleep的博客
04-22 2204
1. 为什么要设计哈希表——查找元素效率高 O(1) 2. 通过什么机制实现的——关键字通过哈希函数O(1)可以直接确定哈希地址，常见的有直接定址法、除留余数法 3. 会产生什么问题——不同的关键字可能会得到相同的哈希地址，称为哈希碰撞 4. 如何解决哈希碰撞——闭散列找空位置（每次向后找1或i^2），或者开散列建哈希桶**
c++ hash函数
热门推荐
angelewings的专栏
02-12 1万+
std::hash template struct hash; Unary function object class that defines the default hash function used by the standard library. 一元函数 Member functions operator()Returns a hash value
C++ hash函数
yudelian的博客
07-30 2576
目录 hash函数介绍： 用途： Hash函数的特性： 参考： hash函数介绍： 哈希函数，又叫散列函数、散列算法，是一种从任何一种数据中创建小的数字“指纹”（也叫做摘要）的方法 用途： 1.快速验证： 生成各种数据的摘要，当比较两个数据是否相等时，只需要比较他们的摘要就可以了 2.防止篡改 ：传递一个数据，要保证它在传递过程中不被篡改，只需要同时传递它的摘要即可。收到数据的人将这个数据重新生成摘要，然后比较传递的摘要和生成的摘要是否相等，如果相等，则说明数据在传递过程中没有被篡改.
C++---哈希闭散列与开散列
qq_42708024的博客
03-18 234
产生原因 在顺序结构或树形结构的数据集合中，我们想要查询一个元素时，必须进行遍历，所以顺序结构的查询时间复杂度为O(N)，树形结构查询的时间复杂度为O(log2^N)，但是我们想要一种不用遍历就知道其位置的方法，我们在查询时就会很方便。 哈希 哈希也叫作映射，我们可以通过其元素的值（关键码），查找到该元素的具体位置。我们将这种一一对应的称为映射。==哈希是一种存储结构。==通过这种映射方式构造出来...
C++现成的hash函数
okokisok1的专栏
11-20 2612
一、简介 Hash，一般翻译做"散列"，也有直接音译为"哈希"的，就是把任意长度的输入（又叫做预映射， pre-image），通过散列算法，变换成固定长度的输出，该输出就是散列值。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，而不可能从散列值来唯一的确定输入值。简单的说就是一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。
Hash(c++)
wcy2003的博客
11-07 558
#include&lt;cstdio&gt; #include&lt;algorithm&gt; #include&lt;cstdlib&gt; #include&lt;vector&gt; #include&lt;queue&gt; #include&lt;stack&gt; #include&lt;map&gt; #include&lt;set&gt; #include&amp
【C++ STL】哈希 Hash（闭散列、开散列介绍及其实现）
codewinter的博客
06-26 2810
在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到 O(log2N)，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个 unordered 系列的关联式容器，这4个容器与红黑树结构的关联式容器底层结构不同，是哈希表（哈希其实就是一种散列，一种映射）哈希表结构的 unordered 系列的关联式容器与红黑树结构的关联式容器 map/set/multimap/mul
中级C++：哈希
kimsaul的白给岁月
06-29 492
闭散列、闭散列、封装成unorder_map、unorder_set
c++哈希（哈希表闭散列线性探测实现）
Dingyuan0的博客
11-09 1051
闭散列：也叫开放定址法，当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置呢？EMPTY , //空标记 EXIST , //存在 DELETE //删除 };};public :// 插入 bool Insert(const pair < K , V > & kv);// 查找 HashDate < K , V > * Find(const K & key);
【C++】哈希（闭散列，开散列）
Anton的博客
06-07 718
哈希一级目录二级目录三级目录一级目录二级目录三级目录一级目录二级目录三级目录一级目录二级目录三级目录 一级目录 二级目录 三级目录 一级目录 二级目录 三级目录 一级目录 二级目录 三级目录 一级目录 二级目录 三级目录 ...
C++ 哈希
m0_61548909的博客
08-27 2838
在 C++98 中， STL 提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到 $log_2N$，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11 中， STL 又提供了 4 个unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中只对unordered_map 和 unordered_set 进行介绍，unordered_multimap和
M的编程备忘录之C++——哈希
HyperMyteki的博客
10-12 708
1、unordered系列关联容器 1.1、unordered_map 1.1.1、unordered_map介绍 1.1.2、unordered_map接口函数 1.1.3、unordered_set接口函数 2、底层结构 2.1、哈希概念 2.2、哈希冲突 2.3、哈希函数 常见哈希函数 2.4 哈希冲突解决 2.4.1 闭散列 2.4.2、开散列 3、哈希的应用 3.1、位图 3.2、布隆过滤器 3.2.1、布隆过滤器的查找 3.2
C++哈希
最新发布
qq_65285898的博客
05-08 2123
关于哈希的概念、模拟实现与应用
数据结构之哈希（C++实现）
CHAKMING1的博客
01-20 1744
介绍了哈希的基本概念，介绍了开散列和闭散列的概念和对应的C++代码实现方式。在哈希的基础上拓展并实现了位图和布隆过滤器。
哈希（hash）--C++
qq_63412763的博客
10-04 1440
哈希思想在处理海量数据极具优越性，往后我会进一步探索哈希的应用。今天咱就只讲一些基础的知识，为以后的拓展做个铺垫。👋。
【数据结构】—— 哈希表之闭散列解决哈希冲突
chenxiyuehh的博客
05-09 1222
一、底层结构 unordered_set/map介绍 https://blog.csdn.net/chenxiyuehh/article/details/89737056 unordered_set/map应用 https://blog.csdn.net/chenxiyuehh/article/details/89964419 unordered系列的关联式容器之所以效率比较高，是因为其底层使用了...
C++实现哈希表：原理与应用实例
哈希表是一种高效的数据结构，它在C++编程中扮演着重要的角色，特别是在需要快速查找、插入和删除数据的场景下。哈希表的核心思想是利用散列函数将键值(key)转换为一个数组索引，从而实现常数时间复杂度的查找。以下...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值