散列表（上）：Word 文档中单词拼写检查功能是如何实现的？

本文是学习算法的笔记，《数据结构与算法之美》，极客时间的课程

在平时我们使用Word的时候，输入一个错误的单词，它就会用标红的方式提示“拼写错误”。Word的这个单词拼写检查功能，虽然很小却非常实用，它是怎么实现的呢？

其实一点儿都不难，只要你学习今天的内容，散列表（Hash Table）。你就能像微软Office的工程师一样，轻松实现这个功能。

散列思想

散列表的英文叫“Hash Table”，我们平常也叫它“哈希表”或者“Hash 表”。它是用数组支持按照下标随机访问数据的特性，所以散列表其实就是数组的一种扩展，由数组演化而来。可以说，如果没有数组，就没有散列表。

我用一个例子来解释下，假设我们有89名选手参加校运动会。为了方便记录成绩，每个选手胸前都会贴上自己的参赛号码。这89名选手的编号依次是1到89。现在我们希望编程实现这样一个功能，通过编号快速找到对应的选手信息。你会怎么做呢?

可以把这89名选手的信息放在数组里。编号为1的选手，放到数组中下标为1的位置；编号为2的选手，放在数组中下标为2的位置，以此类推，编号为k的选手放到数组中下标为k的位置。

当需要查询参赛编号为x 的选手时，我们只需要把下标为x 的数组元素取出来就可以了，时间复杂度是O(1)。这样的效率是不是很高？

实际上，这个例子已经用到了散列的思想。参赛编号是自然数，并且与数组下标形成一一映射，所以利用数组支持根据下标随机访问的时候，时间复杂度是O(1)这一特性，就可以实现快速对应编号的选手的成绩。

你可能要说了，这个例子中蕴含的散列思想不够明显，那我来改造下这个例子。

假设校长说，参赛编号不能设置得这么简单，要加上年级、班级这些详细的信息，所以我们把编号的规则稍微修改了一下，用6位数字来表示。比如051167，其中前两位05表示年级，中间两位11表示班级，最后两还是原来的编号1到89，这个时候我们该如何存储选手的信息，才能够支持通过编号来快速查找选手的信息呢？

思路还是跟前面的类似，尽管我们不能直接把编号作为数组的下标，但我们可以截取参赛编号的后两位作为数组的下标，来存取选手信息数据。当通过参赛编号查询选手信息的时候，我们用同样的方法，取参赛编号的后两位，作为数组的下标，来读取数组中的数据。

这就是典型的散列思想。其中，参赛选手的编号我们叫作键（key）或者关键字。我们用它来标识一个选手。我们把参赛编号转化为数组下标的映射方法叫作散列函数（或“Hash函数”、“哈希函数”），而散列函数计算得到的值就叫作散列值（或“Hash值”、“哈希值”）。

散列表用的就是数组支持按下标随机访问的时候，时间复杂度是O(1)的特性。我们通过散列函数把元素的键值映射为下标，然后将数据存储在数组中对应下标的位置。当我们按照键值查询元素时，用同样的散列函数，将键值转化为数组的下标，从数组中取出对应的数据。

散列函数

从上面的例子，可以看出，散列函数在散列表中起着非常关键的作用。现在来学习下散列函数。

我们可以把它定义与hash(key)，其中key表示元素的键值，hash(key)的值表示经过散列函数计算后得到的散列值。
如何构造散列函数呢？我总结了三点基本要求：

1. 散列函数计算得到的散列值是一个非负整数
2. 如果 key1 = key2，那么 hash(key1) == hash(key2);
3. 如果 key1 ≠ key2，那么 hash(key1) ≠ hash(key2);

第三点理解起来可能会有问题，这个要求看起来合情合理，但在真实的情况下，几乎是不可能的。即便是业界著名的 MD5、SHA、CRC等哈希算法，也无法完全避免这种散列冲突。而且，因为数组有存储空间有限，也会加入散列冲突的概率。

所以我们几乎无法找到一个完美的无总被的散列函数，即便能找到，付出的时间成本、计算成本也是很大的，针对散列冲突问题，我们需要通过其他途径来解决。

散列冲突

1、开放寻址法

它的核心思想是：如果出现了散列冲突，我们就重新探测一个空闲的位置，将其插入。那如何重新探测新的位置呢？我先讲一个比较简单的探测方法，线性探测（Linear Probing）

当我们往散列表中插入数据时，如果某个数据经过散列后，存储位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。

我说的可能比较抽象，看下图，黄色的色块表示空闲位置，橙色的色块表示已存储了数据。

散列表的大小为10，在元素x 插入散列表之前，已经有6个元素插入表中。x 经过Hash算法之后，被散列到位置下标为7的位置，但是晕个位置已经有数据了，所以就产生了冲突。于是我们就顺序地往后一个一个找，看有没有空闲的位置，遍历到尾部都没有找到空闲位置，于是我们再从表头开始找，直到找到空闲位置2，于是将其插入到这个位置。

在散列表中查找元素的过程有点儿插入过程。我们通过散列函数求出要查找元素的键值对就的散列值，然后比较数组下标为散列值的元素和要查找的元素。如果相等，说明就是我们要的找的元素；否则就顺序往后依次查找。如果遍历到数组中的空闲位置，还没找到，就说明要查找的元素并不在散列表中。

散列表跟数组一样，不仅支持插入、查找操作，还支持删除操作。对于使用线性探测法解决部冲突的散列表，删除操作稍微有些特别。我们不能单纯地把要删除的元素设置为空。这是为什么呢？

刚才说查找操作时，一旦我们通过线性探测的方法，找到一个空闲位置，我们就可以认定散列表中不存在这个数据。但是，如果删除时，把这个位置空，那揣测到这个位置就不往下探测了，导致原来的查找算法失效。我们可以将删除的元素，特殊标记为deleted。当线性探测查找的时候，遇到标记为deleted 的空间，并不是停下来，而是继续往下探测。

线性探测在最坏情况下时间复杂度为O(n)，在删除和查找时，也有可能会线性探测整张散列表，才能找到要查找或者删除的数据。

对于开放寻址冲突解决方法，还有另外两种比较探测方法，二次探测（Quadratic probing）和双重散列（Double hashing）。

二次探测，跟线性探测很像，线性探测每次探测的步长是1，那它探测的下标序列是hash(key) + 0, hash(key) + 1, hash(key) + 2, hash(key) + 3…而二次探测的步长是原来的“二次方”，也就是说,它的探测下标序列就是 hash(key) + 0, hash(key) + 1
hash(key) +4, hash(key) + 9,…

双重散列，意思就是不仅要使用一个散列函数。我们使用一级散列函数hash1(key), hash2(key), hash3(key), hash4(key)…我们先使用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，低效类推，直到找到空闲的存储位置。

不管优胜哪种探测方法，当散列表中空闲位置不多的时候，散列冲突的概率就会大大提高。为了尽可能的保证散列表的操作效率，一身情况下，我们会尽可能保证散列表中有一定比例的空闲槽们。我们用装载因子（load factor）来表示空位的多少。
装载因子的计算公式是：
散列表的装载因子 = 填入表中的元素个数 / 散列表的长度
装载因子越大，说明空闲位置越少，冲突越多，散列表的性能会下降。
2.链表法
链表法是一种更加常用散列冲突解决办法，相比开放寻址法，它要简单很多。如下图，在散列表中，每个“桶（bucket）”或者“槽（slot）”会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中。

当插入的时候，我只需要通过散列函数计算出对应散列槽位，将其插入到对应链表中即可，所以插入的时间复杂度O(1)。当查找、删除一个元素时，我们同样通过散列函数计算出对应的槽，然后遍历链表查找或是删除。实际上，这两个操作的时间复杂度跟链表的长度k 成正比，也就是O(k)。对于散列比较均匀的散列函数来说，理论上讲， k=n/m,其中n 表示散列中数据的个数，m表散列表中“槽”的个数。

解答开篇

现在我们来看看Word文档中单词拼写的检查功能是如何实现的。

常用的英文单词有20万个左右，假设单词的平均长度是10个字母，平均一个单词占用10个字节，那20万英文单词大约占用2MB的存储空间，就算是放大10倍也就是20MB。对于现在的计算机来说，这个大小完全可以放在内存里面。所以我们可以用散列表来存储整个英文单词词典。

当用户输入某个英文单词时，我们拿用户输入的单词去散列表中查找。如果查到，则说明拼写正确，不则说明拼写可能有误，给予提示。借助散列表这种数据结构，我们就可以轻松实现快速判断是否存在拼写错误。