哈希表的使用及冲突处理（闭散列、开散列（哈希桶的插入、查找、删除））

概念

哈希表就是一种以 键-值(key-value) 存储数据的结构，我们只要输入待查找的值即key，即可查找到其对应的值。插入删除都是O（1）
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)

哈希函数

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key转换成哈希地址

key % 数组长度 =》下标值
哈希查找第一步就是使用哈希函数将键映射成索引。这种映射函数就是哈希函数。
在实际中，我们的键并不都是数字，有可能是字符串，还有可能是几个值的组合等，所以我们需要实现自己的哈希函数。
特点： 两个相同的key，计算得到的hash值一定相同。

如果key为整数，hash‘值计算方式主要就是通过除留余数的方式
如果key为字符串，利用md5 sha1这种常用的字符串哈希算法

md5：
1、无论输入的字符串有多长，最终得到的md5的值都是固定长度。
2、如果两个字符串大部分内容相同，只有某个字符不同，计算生成的md5的值差别也会很大，这就决定了，md5计算的hash值最终冲突概率比较小，工程上可以忽略不记。
3、通过字符串计算哈希值很高效，通过md5找出字符串，计算量非常大，理论上不可行经常用于加密场景中。
md5可以用来进行文件校验，对文件计算md5之后进行比较如果md5值相等则相同。

冲突

如果两个不同的key，通过哈希函数计算之后得到了相同的hash值即：不同关键字通过相同哈希函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”。

处理冲突

避免冲突

尽量避免冲突（降低冲突概率）
负载因子：哈希表中保存的元素个数 / 数组的长度

已知哈希表中已有的关键字个数是不可变的，那我们能调整的就只有哈希表中的数组的大小

如果给定的的数组只有120个元素大小，但是实际上有100个元素需要保存，此时冲突的概率也会比较高，相反的如果给定的的数组有1000个元素大小，但是实际上有100个元素需要保存，此时冲突的概率就会比较低 （负载因子越小，效率越高）

选择更合适的hash函数，一般将数组的长度为素数，哈希冲突会降低很多。

正面应对

a) 闭散列

发现冲突后，就在冲突的位置的周围找到一个空闲位置来进行插入元素。
常见查找位置方法：
1、线性探测（如下图）

2、二次探测
可以左右震荡 （下标以平方的大小增加，45+1（45、46）、45+4（45、46、47、48）、45+9、45+16、45+25.。。。。）

b) 开散列（哈希桶）

开散列的数组中的每个节点相当于一个链表的头结点，当出现hash冲突的时候，就把新的元素插入到链表中。

无论是第一种还是第二种方法，当哈希冲突比较严重的时候，插入查找删除的效率仍然会比较低。

哈希冲突比较严重：

1）扩容（降低负载因子），成本比较高
2）针对开散列来说（链表），把链表替换成更高效的数据结构，比如二叉搜索树（Java HashSet / HashMap），或者哈希表(二次哈希)

性能分析

虽然哈希表一直在和冲突做斗争，但在实际使用过程中，我们认为哈希表的冲突率是不高的，冲突个数是可控的， 也就是每个桶中的链表的长度是一个常数，所以，通常意义下，我们认为哈希表的插入/删除/查找时间复杂度是 O(1)。
哈希表对于空间的利用率是比二叉搜索树、顺序表之类的都低。

哈希表和 java 类集的关系

1. HashMap 和 HashSet 即 java 中利用哈希表实现的 Map 和 Set
2. java 中使用的是哈希桶方式解决冲突的
3. java 会在冲突链表长度大于一定阈值后，将链表转变为搜索树（红黑树）
4. java 中计算哈希值实际上是调用的类的 hashCode 方法，进行 key 的相等性比较是调用 key 的 equals 方 法。所以如果要用自定义类作为 HashMap 的 key 或者 HashSet 的值，必须覆写 hashCode 和 equals 方 法，而且要做到 equals 相等的对象，hashCode 一定是一致的。

哈希表实现

public class MyHashMap {
    static class Node{
        public int key;
        public int value;
        Node next;

        public Node(int key, int value) {
            this.key = key;
            this.value = value;
        }
    }
    private Node[] array = new Node[101];
    private int size = 0; //哈希表实际元素个数
    //负载因子：size/array.length

    private int hashFunc(int key){
        return key % array.length;
    }
    //插入
    public void put(int key, int value){
        //1、根据key带入哈希函数，计算下标，用key%数组长度
        int index = hashFunc(key);
        //2、根据下标得到对应的链表
        Node head = array[index];
        //3、先判定当前key是否存在，存在就修改value（不插入新节点）
        for( Node cur = head; cur != null; cur = cur.next){
            if(cur.key == key){
                cur.value = value;
                return;
            }
        }
        //4、如果不存在，则插入
        //进行链表头插
        Node newNode = new Node(key, value);
        newNode.next = head;
        array[index] = head;
        size++;
    }
    public Integer get(int key){
        //1、根据key得到hash值
        int index = hashFunc(key);
        //2、在对应的链表中查找指定key对应的节点
        Node head = array[index];
        for (Node cur = head; cur != null; cur = cur.next){
            if(cur.key == key){
                return cur.value;
            }
        }
        //3、没有找到
        return null;
    }
    //删除
    private Node finPrev(int key){ //找到要删除的前驱
        int index = hashFunc(key);
        Node prev = array[index];
        while (prev.next != null){
            if(prev.next.key == key){
                return prev;
            }
            prev = prev.next;
        }
        return null;
    }

    public void delete(int key){
        int index = hashFunc(key);
        Node head = array[index];
        Node prev = finPrev(key);
        if(head.key == key){
             head.next = array[index];
            return;
        }
        if(prev == null){
            System.out.println("没有这个元素！");
            return;
        }
        Node cur = prev.next;
        prev.next = cur.next;
        size--;
    }
}