数据结构与算法之美 （19 | 散列表（中））

问题：如何打造一个工业级水平的散列表？

1. 设计散列函数

• 散列函数的设计不能太复杂：过于复杂的散列函数，势必会消耗很多计算时间，也就间接地影响到散列表的性能。
• 散列函数生成的值要尽可能随机并且均匀分布：避免或者最小化散列冲突，而且即便出现冲突，散列到每个槽里的数据也会比较平均，不会出现某个槽内数据特别多的情况。
• 实际工作中，我们还需要综合考虑各种因素。这些因素有关键字的长度、特点、分布、还有散列表的大小等。
• 散列函数的设计方法：
  • 数据分析法，根据数据特征选出差异较大的范围作为标识值。如取手机号的后四位作为散列值。
  • 直接寻址法、平方取中法、折叠法、随机数法等，了解就行。

2. 装载因子过大了怎么办？ - 动态扩容

• 动态扩容：重新申请一个更大的散列表，将数据搬移到这个新散列表中。假设每次扩容我们都申请一个原来散列表大小两倍的空间。如果原来散列表的装载因子是 0.8，那经过扩容之后，新散列表的装载因子就下降为原来的一半，变成了 0.4。
• 散列表的扩容，数据的搬移操作相对复杂。因为散列表的大小变了，数据的存储位置也变了，需要通过散列函数重新计算每个数据的存储位置。
• 支持动态扩容散列表的插入操作时间复杂度：O(1)。【插入一个数据，最好情况下，不需要扩容，最好时间复杂度是 O(1)。最坏情况下，散列表装载因子过高，启动扩容，我们需要重新申请内存空间，重新计算哈希位置，并且搬移数据，所以时间复杂度是 O(n)。用摊还分析法，均摊情况下，时间复杂度接近最好情况，就是 O(1)。】
• 当散列表的装载因子超过某个阈值时，就需要进行扩容。装载因子阈值需要选择得当。如果太大，会导致冲突过多；如果太小，会导致内存浪费严重。
• 装载因子阈值的设置要权衡时间、空间复杂度。如果内存空间不紧张，对执行效率要求很高，可以降低负载因子的阈值；相反，如果内存空间紧张，对执行效率要求又不高，可以增加负载因子的值，甚至可以大于 1。

3. 如何避免低效的扩容？ - 当数据量较大时避免一次性扩容

• 如果散列表当前大小为 1GB，要想扩容为原来的两倍大小，那就需要对 1GB 的数据重新计算哈希值，并且从原来的散列表搬移到新的散列表，是非常耗时的操作。要避免一次性扩容。
• 可以将扩容操作穿插在插入操作的过程中，分批完成。
  • 当装载因子触达阈值之后，我们只申请新空间，但并不将老的数据搬移到新散列表中。
  • 当有新数据要插入时，我们将新数据插入新散列表中，并且从老的散列表中拿出一个数据放入到新散列表。每次插入一个数据到散列表，我们都重复上面的过程。经过多次插入操作之后，老的散列表中的数据就一点一点全部搬移到新散列表中了。这样没有了集中的一次性数据搬移，插入操作就都变得很快了。
  • 对于查询操作，为了兼容了新、老散列表中的数据，我们先从新散列表中查找，如果没有找到，再去老的散列表中查找。
  • 通过这样均摊的方法，将一次性扩容的代价，均摊到多次插入操作中，就避免了一次性扩容耗时过多的情况。这种实现方式，任何情况下，插入一个数据的时间复杂度都是 O(1)。

4. 如何选择冲突解决方法？

• 开放寻址法

  • 优点
    • 散列表中的数据都存储在数组中，可以有效地利用 CPU 缓存加快查询速度。
    • 易序列化。
  • 缺点
    • 删除数据的时候比较麻烦，需要特殊标记已经删除掉的数据。
    • 在开放寻址法中，所有的数据都存储在一个数组中，比起链表法来说，冲突的代价更高。
    • 装载因子的上限不能太大。
    • 比链表法更浪费内存空间。

• 链表法

  • 优点
    • 对内存的利用率比开放寻址法要高。
    • 对大装载因子的容忍度更高。开放寻址法只能适用装载因子小于 1 的情况，接近 1 时，就可能会有大量的散列冲突，导致大量的探测、再散列等，性能会下降很多。但是对于链表法来说，只要散列函数的值随机均匀，即便装载因子变成 10，也就是链表的长度变长了而已，虽然查找效率有所下降，但是比起顺序查找还是快很多。
  • 缺点
    • 链表因为要存储指针，所以对于比较小的对象的存储，是比较消耗内存的，还有可能会让内存的消耗翻倍。而且，因为链表中的结点是零散分布在内存中的，不是连续的，所以对 CPU 缓存是不友好的，这方面对于执行效率也有一定的影响。【当然，如果我们存储的是大对象，也就是说要存储的对象的大小远远大于一个指针的大小（4 个字节或者 8 个字节），那链表中指针的内存消耗在大对象面前就可以忽略了。】
  • 实际上，我们对链表法稍加改造，可以实现一个更加高效的散列表。那就是，我们将链表法中的链表改造为其他高效的动态数据结构，比如跳表、红黑树。这样，即便出现散列冲突，极端情况下，所有的数据都散列到同一个桶内，那最终退化成的散列表的查找时间也只不过是 O(logn)。这样也就有效避免了前面讲到的散列碰撞攻击。

• 总结：

  基于链表的散列冲突处理方法比较适合存储大对象、大数据量的散列表，而且，比起开放寻址法，它更加灵活，支持更多的优化策略，比如用红黑树代替链表。

5. 解答

• 工业级的散列表应该具有的特性：
  • 支持快速地查询、插入、删除操作；
  • 内存占用合理，不能浪费过多的内存空间；
  • 性能稳定，极端情况下，散列表的性能也不会退化到无法接受的情况。
• 设计思路：
  • 设计一个合适的散列函数；
  • 定义装载因子阈值，并且设计动态扩容策略；
  • 选择合适的散列冲突解决方法。

6. 练习（待完成）