【C++高阶】哈希函数底层原理全面探索和深度解析

island1314

于 2024-07-28 15:51:09 发布

阅读量811

点赞数 35

文章标签：哈希算法算法

本文链接：https://blog.csdn.net/island1314/article/details/140749050

版权

✨ 飞蓬各自远，且近手中杯 🌏

📃个人主页：island1314

🔥个人专栏：C++学习

🚀 欢迎关注：👍点赞 👂🏽留言 😍收藏 💞 💞 💞

🚀前言

本文旨在揭开哈希算法的神秘面纱，带领大家深入探测哈希的底层世界。从哈希函数的内部逻辑出发，探讨其如何通过一系列的数学变换与位操作，将任意长度的输入数据映射为固定长度的输出值。同时逐步探索哈希表的数据结构、冲突解决策略以及内存管理技巧。通过详细剖析哈希函数的内部逻辑与实现方式，我们将揭示那些隐藏在高效与安全背后的智慧与努力

1. unordered系列关联式容器

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 $log_{2}N$ ，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，

🧩1.1 unordered_map

unordered_map文档说明

unordered_map是存储<key, value>键值对的关联式容器，其允许通过keys快速的索引到与其对应的value。
在unordered_map中，键值通常用于唯一地标识元素，而映射值是一个对象，其内容与此键关联。键和映射值的类型可能不同。
在内部,unordered_map没有对<kye, value>按照任何特定的顺序排序, 为了能在常数范围内找到key所对应的value，unordered_map将相同哈希值的键值对放在相同的桶中。
unordered_map容器通过key访问单个元素要比map快，但它通常在遍历元素子集的范围迭代方面效率较低。
unordered_maps实现了直接访问操作符(operator[])，它允许使用key作为参数直接访问value。
它的迭代器至少是前向迭代器

🌸接口说明

a. unordered_map的构造

函数声明	功能介绍
unordered_map	构造不同格式的unordered_map对象

b. unordered_map的容量

函数声明	功能介绍
bool empty() const	检测unordered_map是否为空
size_t size() const	获取unordered_map的有效元素个数

c. unordered_map的迭代器

函数声明	功能介绍
begin	返回unordered_map第一个元素的迭代器
end	返回unordered_map最后一个元素下一个位置的迭代器
cbegin	返回unordered_map第一个元素的const迭代器
cend	返回unordered_map最后一个元素下一个位置的const迭代器

d. unordered_map的元素访问

函数声明	功能介绍
operator[ ]	返回与key对应的value，没有一个默认值

注意：该函数中实际调用哈希桶的插入操作，用参数key与V()构造一个默认值往底层哈希桶
中插入，如果key不在哈希桶中，插入成功，返回V()，插入失败，说明key已经在哈希桶中，
将key对应的value返回。

e. unordered_map的查询

函数声明	功能介绍
iterator find(const K& key)	返回key在哈希桶中的位置
size_t count(const K& key)	返回哈希桶中关键码为key的键值对的个数

注意：unordered_map中key是不能重复的，因此count函数的返回值最大为1

f. unordered_map的修改操作

函数声明	功能介绍
insert	向容器中插入键值对
erase	删除容器中的键值对
void clear()	清空容器中有效元素个数
void swap(unordered_map&)	交换两个容器中的元素

g. unordered_map的桶操作

函数声明	功能介绍
size_t bucket_count()const	返回哈希桶中桶的总个数
size_t bucket_size(size_t n)const	返回n号桶中有效元素的总个数
size_t bucket(const K& key)	返回元素key所在的桶号

🧩1.2 unordered_set

unordered_set 中的每个元素都是唯一的，因为它不允许有重复的元素
元素的存储顺序是不确定的，这取决于元素的哈希值和容器当前的哈希表的状态
由于使用了哈希表，unordered_set 提供了平均情况下常数时间复杂度的查找、插入和删除操作

具体的接口声明我们就省略了，详情可以查看 unordered_set在线文档说明

2. 底层结构

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哈希结构

🌈2.1 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（ $log_{2}N$ ），搜索的效率取决于搜索过程中元素的比较次数.

unordered_set在线文档说明可以不经过任何比较，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，这就是最理想的搜索方法

在该结构中插入，查找元素时：

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

注意：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)

示例：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

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，但是有成千上万的数，总会有几个数，取余后相等，那我们该怎么存放值呢？

hash(5) = 5 % 10 = 5;
hash(55) = 55 % 10 = 5;

这时就要提出一个新的概念 -> 哈希冲突 (!!!!)

🌈2.2 哈希冲突

对于两个数据元素的关键字 $k_{i}$ 和 $k_{j}$ (i != j),有 $k_{i}$ ！= $k_{j}$ ，但有：Hash( $k_{i}$ )== Hash( $k_{j}$ ),导致这两个不同的键被映射到同一个存储位置（桶或槽位）的现象，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

我们把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”

注意：哈希函数的设计目标是尽量减少冲突，但完全避免冲突几乎是不可能的

那么当发生哈希冲突时，我们应该如何处理呢

🌈2.3 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

直接定址法–(常用)

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

除留余数法–(常用)

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

🌈2.4 哈希冲突解决

解决哈希冲突两种常见的方法是：闭散列和开散列

2.4.1 闭散列

🌄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

2.4.1 线性探测

如果和上面讲的一样，现在需要插入元素55，先通过哈希函数计算哈希地址，hashAddr为5，
因此55理论上应该插在该位置，但是该位置已经放了值为5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

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5，如果直接删除掉，5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

// 哈希表每个空间三种状态
// 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
};

线性探测的代码实现：

template <class K, class  V>
struct HashData
{
	pair<K, V> _kv;
	State _state = EMPTY; //状态表示的标记
};

template <class K, class V, class Hash = HashFunc<K>>
class HashTable
{
public:
	HashTable()
	{
		_tables.resize(10);
	}

	bool Insert(const pair<K, V>& kv)
	{
		if (Find(kv.first)) return false; //防止数据冗余
		// 负载因子 -> 哈希表扩容
		if (_n * 10 / _tables.size() >= 7)
		{
			_tables.resize(_tables.size() * 2);
			//vector<HashData<K, V>> newTables(_tables.size() * 2);
			遍历旧表，将所有数据映射到新表
			//_tables.swap(newTables); //该方法不好，当冲突的时候，用+1的方法时，得重写下面构造

			//遍历创建新影身，复用Insert
			// 此处只需将有效元素搬移到新哈希表中
			// 已删除的元素不用处理
			HashTable<K, V, Hash>newHT;
			newHT._tables.resize(_tables.size() * 2);
			for (size_t i = 0; i < _tables.size(); i++) {
				if (_tables[i]._state == EXIST) // 复用Insert
					newHT.Insert(_tables[i]._kv);
			}
			// 交换两个表的数据
			_tables.swap(newHT._tables);
		}

		Hash hs;
		// 线性探测
		size_t hashi = hs(kv.first) % _tables.size();
		while (_tables[hashi]._state == EXIST) { //若存在，则表示出现了哈希冲突
			++hashi;
			hashi %= _tables.size();
		}
		_tables[hashi]._kv = kv;
		_tables[hashi]._state = EXIST;
		++_n;

		return true;
	}

	HashData<K, V>* Find(const K& key)
	{
		Hash hs;
		size_t hashi = hs(key) % _tables.size(); //算在表里的位置
		while (_tables[hashi]._state != EMPTY)
		{ //之所以用不等于ENPTY，而不是EXIST，是因为避免查找的数出现过哈希冲突之后，位置移动，然后前面的数被删，比如：
		  // 11(EXIST) 21（DELETE）31（key） 41(EXIST)
			if (_tables[hashi]._state == EXIST &&
				_tables[hashi]._kv.first == key) {
				return &_tables[hashi];
			}

			++hashi;
			hashi %= _tables.size(); //防止越界
		}
		return nullptr;
	}
	// 伪删除法，不删除节点，仅仅标记那个节点为DELETE
	bool Erase(const K& key)
	{
		HashData<K, V>* ret = Find(key);
		if (ret == nullptr) return false;
		else {
			ret->_state = DELETE;
			return true;
		}
	}

private:
	vector<HashData<K, V>> _tables; //不用构建析构，因为vector本身就有析构
	size_t _n;// 储存的关键字总数据的个数
};

关于哈希表的取余

当我们的key不是整形的时候(常见的是string)，我们该怎么计算它的hashi? 这里又得依靠我们的仿函数HashFunc，又因为我们string也是很常见的，我们将模板特化一下,特化如果有不懂的读者朋友，详情可见【C++/STL】模板进阶(非类型模板&&类模板打印&&特化&&分离编译)-CSDN博客

template <class K>
struct HashFunc
{
	size_t operator()(const K& key)
	{
		return 
			(size_t)key;  //转成数字，把key
	}
};


// 特化
template<>
struct HashFunc<string>
{
	size_t operator()(const string& key)
	{
		size_t hash = 0;
		for (auto e : key)
		{    // 避免因为顺序不一样而产生一样的值 BKDR
			// 避免 abc,acb同值不同意
			hash *= 31;
			hash += e;
		}

		return hash;
	}
};

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

样例代码测试

void TestHT1(){
	HashTable<int, int> ht;
	int a[] = { 11,21,4,14,24,15,9 };
	for (auto e : a){
		ht.Insert({ e,e });
	}
	ht.Insert({ 19, 19 });
	ht.Insert({ 19,190 });

	cout << ht.Find(24) << endl;
	ht.Erase(4);
	cout << ht.Find(24) << endl;
	cout << ht.Find(4) << endl;

	ht.Insert({ 4,4 });
}

void TestHT2(){
	//HashTable<string, string, StringHashFunc> ht; //但是注释第三个，则会出现“类型强制转换” : 无法从“const K”转换为“size_t”
	HashTable<string, string> ht; //使用特化，就可以支持该操作

	ht.Insert({ "sort", "排序" });
	ht.Insert({ "left", "左边" });
}

2.4.2 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

$H_{i} = (H_{0} + i^{2})$ % m( i = 1, -1, 2, -2 ···).

对于2.1中如果要插入44，产生冲突，使用解决后的情况为：

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。

2.4.3 开散列

🏞️开散列： 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

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。

开散列实现

template<class K, class V>
struct HashNode
{
	pair<K, V> _kv;
	HashNode<K, V>* _next;

	HashNode(const pair<K, V>& kv)
		:_kv(kv)
		, _next(nullptr)
	{}
};

template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
	typedef HashNode<K, V> Node;
public:
	HashTable()
	{
		_tables.resize(10, nullptr);
	}

	~HashTable()
	{ // 依次把每个桶释放
		for (size_t i = 0; i < _tables.size(); i++)
		{
			Node* cur = _tables[i];
			while (cur)
			{
				Node* next = cur->_next;
				delete cur;
				cur = next;
			}
			_tables[i] = nullptr;
		}
	}


	bool Insert(const pair<K, V>& kv) //使用的是头插
	{
		Hash hs;
		size_t hashi = hs(kv.first) % _tables.size();
		//负载因子 == 1扩容，
		// 越低，空间效率越低，时间效率越高
		///越高，空间效率越高，时间效率越低
		if (_n == _tables.size())
		{
			vector<Node*> newtables(_tables.size() * 2, nullptr);
			for (size_t i = 0; i < _tables.size(); i++)
			{
				Node* cur = _tables[i];
				while (cur)
				{
					Node* next = cur->_next;
					//旧表中节点，挪动新表重新映射的位置
					size_t hashi = hs(cur->_kv.first) % newtables.size();
					//头插到新表
					cur->_next = newtables[hashi];
					newtables[hashi] = cur;

					cur = next;
				}
				_tables[i] = nullptr;
			}
			_tables.swap(newtables);

		}

		//头插
		Node* newnode = new Node(kv);
		newnode->_next = _tables[hashi];
		_tables[hashi] = newnode;
		++_n;

		return true;
	}

	Node* find(const K& key)
	{
		Hash hs;
		size_t hashi = hs(key) % _tables.szie();
		Node* cur = _tables[hashi];
		while (cur)
		{
			if (cur->_kv.first == key) return cur;
			cur = cur->_next;
		}
		return nullptr;
	}

	bool Erase(const K& key)
	{
		Hash hs;
		size_t hashi = hs(key) % _tables.size();
		Node* prev = nullptr;
		Node* cur = _tables[hashi];
		while (cur)
		{
			if (cur->_kv.first == key)
			{
				if (prev == nullptr) //如果是第一个节点 
				{
					_tables[hashi] = cur->_next;
				}
				else //否则，则让前一个指向我的后一个
				{
					prev->_next = cur->_next;
				}

				delete cur;
				--_n;
				return true;
			}

			prev = cur;
			cur = cur->_next;
		}

		return false;
	}

private:

	vector<Node*> _tables; //指针数组，数组的每个位置存的是指针
	size_t _n; //表中存储数据个数
};

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

样例代码如下：

if (_n == _tables.size())
{
	vector<Node*> newTables;
	newTables.resize(_tables.size() * 2);

	// 遍历旧表
	for (size_t i = 0; i < _tables.size(); i++)
	{
		Node* cur = _tables[i];
		while (cur)
		{
			Node* next = cur->_next;

			// 挪动到新表
			size_t hashi = hf(cur->_data) % newTables.size();
			cur->_next = newTables[hashi];
			newTables[hashi] = cur;

			cur = next;
		}

		_tables[i] = nullptr;
	}

	_tables.swap(newTables);
}

2.4.4 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 <=0.7，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

📖 哈希的完整代码及总结

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

template <class K>
struct HashFunc
{
	size_t operator()(const K& key)
	{
		return 
			(size_t)key;  //转成数字，把key
	}
};


// 特化
template<>
struct HashFunc<string>
{
	size_t operator()(const string& key)
	{
		size_t hash = 0;
		for (auto e : key)
		{    // 避免因为顺序不一样而产生一样的值 BKDR
			// 避免 abc,acb同值不同意
			hash *= 31;
			hash += e;
		}

		return hash;
	}
};



namespace open_address
{
	enum State
	{
		EXIST, // 0 该值存在的标记
		EMPTY, // 1 初始化的标记
		DELETE // 2  删去之后的标记
	};

	template <class K, class  V>
	struct HashData
	{
		pair<K, V> _kv;
		State _state = EMPTY; //状态表示的标记
	};

	template <class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
	public:
		HashTable()
		{
			_tables.resize(10);
		}

		bool Insert(const pair<K, V>& kv)
		{
			if (Find(kv.first)) return false; //防止数据冗余
			// 负载因子 -> 哈希表扩容
			if (_n * 10 / _tables.size() >= 7)
			{
				_tables.resize(_tables.size() * 2);
				//vector<HashData<K, V>> newTables(_tables.size() * 2);
				遍历旧表，将所有数据映射到新表
				//_tables.swap(newTables); //该方法不好，当冲突的时候，用+1的方法时，得重写下面构造

				//遍历创建新影身，复用Insert
				// 此处只需将有效元素搬移到新哈希表中
				// 已删除的元素不用处理
				HashTable<K, V, Hash>newHT;
				newHT._tables.resize(_tables.size() * 2);
				for (size_t i = 0; i < _tables.size(); i++) {
					if (_tables[i]._state == EXIST) // 复用Insert
                        newHT.Insert(_tables[i]._kv);
				}
                // 交换两个表的数据
				_tables.swap(newHT._tables);
			}

			Hash hs;
            // 线性探测
			size_t hashi = hs(kv.first) % _tables.size();
			while (_tables[hashi]._state == EXIST) { //若存在，则表示出现了哈希冲突
				++hashi;
				hashi %= _tables.size();
			}
			_tables[hashi]._kv = kv;
			_tables[hashi]._state = EXIST;
			++_n;

			return true;
		}

		HashData<K, V>* Find(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.size(); //算在表里的位置
			while (_tables[hashi]._state != EMPTY) 
			{ //之所以用不等于ENPTY，而不是EXIST，是因为避免查找的数出现过哈希冲突之后，位置移动，然后前面的数被删，比如：
			  // 11(EXIST) 21（DELETE）31（key） 41(EXIST)
				if (_tables[hashi]._state == EXIST &&
					_tables[hashi]._kv.first == key) {
					return &_tables[hashi];
				}
				
				++hashi;
				hashi %= _tables.size(); //防止越界
			}
			return nullptr;
		}
        // 伪删除法，不删除节点，仅仅标记那个节点为DELETE
		bool Erase(const K& key)
		{
			HashData<K, V>* ret = Find(key);
			if (ret == nullptr) return false;
			else {
				ret->_state = DELETE;
				return true;
			}
		}

	private:
		vector<HashData<K, V>> _tables; //不用构建析构，因为vector本身就有析构
		size_t _n;// 储存的关键字总数据的个数
	};


	void TestHT1()
	{
		HashTable<int, int> ht;
		int a[] = { 11,21,4,14,24,15,9 };
		for (auto e : a)
		{
			ht.Insert({ e,e });
		}
		ht.Insert({ 19, 19 });
		ht.Insert({ 19,190 });

		cout << ht.Find(24) << endl;
		ht.Erase(4);
		cout << ht.Find(24) << endl;
		cout << ht.Find(4) << endl;

		ht.Insert({ 4,4 });
	}

	void TestHT2()
	{
		//HashTable<string, string, StringHashFunc> ht; //但是注释第三个，则会出现“类型强制转换” : 无法从“const K”转换为“size_t”
		HashTable<string, string> ht; //使用特化，就可以支持该操作

		ht.Insert({ "sort", "排序" });
		ht.Insert({ "left", "左边" });
	}
}



namespace hash_bucket  //哈希桶-链式
{
	template<class K, class V>
	struct HashNode
	{
		pair<K, V> _kv;
		HashNode<K, V>* _next;

		HashNode(const pair<K, V>& kv)
			:_kv(kv)
			, _next(nullptr)
		{}
	};

	template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
		typedef HashNode<K, V> Node;
	public:
		HashTable()
		{
			_tables.resize(10, nullptr);
		}

		~HashTable()
		{ // 依次把每个桶释放
			for (size_t i = 0; i < _tables.size(); i++){
				Node* cur = _tables[i];
				while (cur){
					Node* next = cur->_next;
					delete cur;
					cur = next;
				}
				_tables[i] = nullptr;
			}
		}


		bool Insert(const pair<K, V>& kv) //使用的是头插
		{
			Hash hs;
			size_t hashi = hs(kv.first) % _tables.size();
			//负载因子 == 1扩容，
			if (_n == _tables.size()){
				vector<Node*> newtables(_tables.size() * 2, nullptr);
				for (size_t i = 0; i < _tables.size(); i++){
					Node* cur = _tables[i];
					while (cur) { 
						Node* next = cur->_next;
						//旧表中节点，挪动新表重新映射的位置
						size_t hashi = hs(cur->_kv.first) % newtables.size();
						//头插到新表
						cur->_next = newtables[hashi];
						newtables[hashi] = cur;
						
						cur = next;
					}
					_tables[i] = nullptr;
				}
				_tables.swap(newtables);

			}

			//头插
			Node* newnode = new Node(kv);
			newnode->_next = _tables[hashi];
			_tables[hashi] = newnode;
			++_n;

			return true;
		}

		Node* find(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.szie();
			Node* cur = _tables[hashi];
			while (cur){
				if (cur->_kv.first == key) return cur;
				cur = cur->_next;
			}
			return nullptr;
		}

		bool Erase(const K& key)
		{
			Hash hs;
			size_t hashi = hs(key) % _tables.size();
			Node* prev = nullptr;
			Node* cur = _tables[hashi];
			while (cur){
				if (cur->_kv.first == key){
					if (prev == nullptr) //如果是第一个节点 {
						_tables[hashi] = cur->_next;
					}
					else //否则，则让前一个指向我的后一个{
						prev->_next = cur->_next;
					}

					delete cur;
					--_n;
					return true;
				}

				prev = cur;  
				cur = cur->_next;
			}

			return false;
		}

	private:
		vector<Node*> _tables; //指针数组，数组的每个位置存的是指针
		size_t _n; //表中存储数据个数
	};


	void TestHT1()
	{
		HashTable<int, int> ht;
		int a[] = { 11,21,4,14,24,15,9,19,29,39 };
		for (auto e : a)
		{
			ht.Insert({ e,e });
		}

		ht.Insert({ -6, 6 });

		for (auto e : a)
		{
			ht.Erase(e);
		}
	}

	void TestHT2()
	{
		HashTable<string, string> ht;
		ht.Insert({ "sort", "排序" });
		ht.Insert({ "left", "左边" });
		ht.Insert({ "right", "右边" });
		ht.Insert({ "Love", "喜欢" });

	}
}

以上就是哈希全部内容，希望大家通过本文的阅读，希望大家不仅能够深入理解哈希算法的底层机制与实现细节，还能够掌握其在实际应用中的关键技术与最佳实践。

island1314

关注

35
点赞
踩
25

收藏

觉得还不错? 一键收藏
31
评论
【C++高阶】哈希函数底层原理全面探索和深度解析

本文旨在揭开哈希算法的神秘面纱，带领大家深入探测哈希的底层世界。从哈希函数的内部逻辑出发，探讨其如何通过一系列的数学变换与位操作，将任意长度的输入数据映射为固定长度的输出值。同时逐步探索哈希表的数据结构冲突解决策略以及内存管理技巧。通过详细剖析哈希函数的内部逻辑与实现方式，我们将揭示那些隐藏在高效与安全背后的智慧与努力return//转成数字，把key// 特化template<>{ // 避免因为顺序不一样而产生一样的值 BKDR// 避免 abc,acb同值不同意hash *= 31。
复制链接

扫一扫