带你轻松搞懂跳表(skip list)

---

什么是跳表

我们知道二叉搜索算法能够高效的查询数据，但是需要一块连续的内存，而且增删改效率很低。

跳表，是基于链表实现的一种类似“二分”的算法。它可以快速的实现 增，删，改，查 操作。

链表，相信大家都不陌生，维护一个有序的链表是一件非常简单的事情，我们都知道，在一个有序的链表里面，查询跟插入的算法复杂度都是O(n)。

我们能不能进行优化呢，比如我们一次比较两个呢？那样不就可以把时间缩小一半？

同理，如果我们4个4个比，那不就更快了？

就好像火车，有快车有慢车；快车停得站少，慢车停得多。所以，从一个地方到另一个地方，我们需要先乘坐快车，之后换乘慢车。

跳表就是这样的一种数据结构（利用空间换时间的方式，提高查询效率 ），结点是跳过一部分的，从而加快了查询的速度。

跳表跟红黑树和AVL树又有什么差别呢？

既然 两者的算法复杂度差不多 ，为什么Redis要使用跳表而不使用红黑树呢？跳表相对于红黑树，主要有这几个优点：

1. 代码相对简单，手写个跳表还有可能，手写个红黑树试试？
2. 如果我们要查询一个区间里面的值，用平衡树可能会麻烦。这里的麻烦指的是实现和理解上，平衡二叉树查询一段区间也是可以做到的。
3. 删除一段区间，这个如果是平衡二叉树，就会相当困难，毕竟设计到树的平衡问题，而跳表则没有这种烦恼。

• 空间复杂度 O(n)：

对于每层的期待：第一层n，第二层n/2，第三层n/2² ，…，直到 n/2^logn=1。所以，总空间需求：

S = n + n/2 + n/2² + … + n/2log n < n(1 + 1/2 + 1/2² + … + 1/2^∞) =2n

然而原始链表包含 n 个元素，索引节点的总和是 n，因此他的空间复杂度为 O(n)

• Skip List高度：

对每层来说，它会向上增长的概率为1/2，则第m层向上增长的概率为1/2^m；n个元素，则在m层元素数目的期待为Em = n/2^m；当Em = 1，m = log₂n即为层数的期待。故其高度期待为 Eh = O(log n)。

跳表的性质：

• 每条链必须包含两个特殊元素：+∞ 和 -∞
• S0包含所有的元素，并且所有链中的元素按照升序排列。
• 每条链中的元素集合必须包含于序数较小的链的元素集合

查询

假如我们要查询11，那么我们从最上层出发，发现下一个是5，再下一个是13，已经大于11，所以进入下一层，下一层的一个是9，查找下一个，下一个又是13，再次进入下一层。最终找到11。

是不是非常的简单？我们可以把查找的过程总结为一条二元表达式（下一个是否大于结果？下一个：下一层）。理解跳表的查询过程非常重要，试试看查询其他数字，只要你理解了查询，后面两种都非常简单。

/* 如果存在 x, 返回 x 所在的节点， 
   否则返回 x 的后继节点 */  

find(x) {  
    p = top;  
    while (1) {  
        while (p->next->key < x) {
            p = p->next;  
		}
		if(p->next->key == x){
			return p->next;
		}
        else if (p->down == NULL) {
            return p->next;  
		}
		else 
        	p = p->down;  
    }
}  

插入

插入数据看起来也很简单，跳表的原始链表需要保持有序，所以我们会向查找元素一样，找到元素应该插入的位置。如下图所示，要插入数据6，整个过程类似于查找6，整个的查找路径为 1、1、1、4、4、5。查找到第底层原始链表的元素 5 时，发现 5 小于 6 但是后继节点 7 大于 6，所以应该把 6 插入到 5 之后 7 之前。整个时间复杂度为查找元素的时间复杂度 O(logn)。

如下图所示，假如一直往原始列表中添加数据，但是不更新索引，就可能出现两个索引节点之间数据非常多的情况，极端情况，跳表退化为单链表，从而使得查找效率从 O(logn) 退化为 O(n)。那这种问题该怎么解决呢？我们需要在插入数据的时候，索引节点也需要相应的增加、或者重建索引，来避免查找效率的退化。那我们该如何去维护这个索引呢？

首先要从最底层开始，插入被插入的元素。然后看看从下而上，是否需要逐层插入。可是到底要不要插入上一层呢？我们都知道，我们想每层的跳跃都非常高效，越是平衡就越好（第一层1级跳，第二层2级跳，第3层4级跳，第4层8级跳）。但是用算法实现起来，确实非常地复杂的，并且要严格地按照2地指数次幂，我们还要对原有地结构进行调整。所以跳表的思路是抛硬币，听天由命，产生一个随机数，50%概率再向上扩展，否则就结束。这样子，每一个元素能够有X层的概率为0.5^(X-1)次方。

删除

同插入一样，删除也是先查找，查找到了之后，再从下往上逐个删除。比较简单，就不再赘叙。