✨ 飞蓬各自远,且近手中杯 🌏
🔥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,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(),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 和 (i != j),有 != ,但有:Hash()== Hash(),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
% 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。