STL源码剖析（十五）关联式容器之hashtable

hashtable
前面介绍了二叉搜索树、平衡二叉搜索树、以及广泛使用的平衡二叉搜索树：红黑树。
RB-tree红黑树不仅在树形的平衡在表现不错，在效率表现和实现复杂度上也保持相当的平衡，所以运用甚广。
二叉搜索树具有对数平均时间的表现，但输入数据需具有足够的随机性；hashtable散列表在插入、删除、搜寻等操作上也具有常数平均时间表现，且这种表现是以统计为基础，不需要仰赖输入元素的随机性。

hashtable散列表概述
hash table可提供对任何有名项的存取操作和删除操作，因操作对象是有名项，所以hashtable也可视为一种字典结构。这种结构的用意在于提供常数时间之基本操作，类似stack和queue。
举例，如果所有的元素都是16-bits且不带正负号的整数，范围0～65535，简单运用一个array可以满足常数时间的基本操作。配置一个array A，有65535个元素，索引号码0～65535，初值为0，每个元素代表相应元素的出现次数，插入元素i，执行A[i]++，删除元素i执行A[i]- -，搜索元素i，就检查A[i]是否为0，以上每个操作都是常数时间。额外的负担是array的空间和初始化时间。
但是这种解法存在现实问题，如果元素格外多，则array的大小就是个问题。
如何避免使用大的荒谬的array，使用映射函数，将大数映射为小数，将某一元素映射到一个大小可接受的索引，这样的函数称为hash function(散列函数)，使用hash function会带来一个问题：可能有不同的元素被映射到相同的位置，这便是所谓的碰撞问题，解决碰撞问题的方法有：线性探测(linear probing)、二次探测(quadratic probing)、开链(separate chaining)等。

线性探测(linear probing)
负载系数(loading factor)，意指元素个数除以表格大小，负载系数永远在0～1之间，除非采用开链策略。
当hash function计算出某个元素的插入位置，而该位置上的空间已不再可用时，循序往下寻找（如果到达尾端就绕到头部继续寻找），直到找到一个可用空间为止。进行元素搜寻操作时也一样，如果hash function计算出来的位置上元素值与我们搜寻的目标不符，就循序往下一一寻找，直到找到吻合者，或者遇上空格元素。而元素的删除必须采用惰性删除，只标记删除记号，实际删除操作则待表格重新整理时再进行，这是因为hash table中的每个元素不仅表述它自己，也关系到其他元素的排列。

欲分析线性探测的表现，需要两个假设，1表格足够大，2每个元素都够独立。在此假设下，最坏情况是线性巡访整个表格，平均情况是巡访一半表格。但实际情况更糟糕，举例说明：
新元素第一次插入位置#9，第二次插入位置#8，如果第三个元素插入位置为#9则需要绕到头部插入位置#0，第四个元素如果插入位置为#0、8、9则需要插入位置#1，之后的新元素经过hash function计算后的位置若为#3～#7可直接插入，否则只能插入位置#2。这样的现象在hashing过程中称为主集团primary clustering，之后的插入操作可能会不断解决碰撞问题，主集团也越来越大。

二次探测
二次探测主要解决主集团问题，如果hash function计算出新元素的位置为H，而该位置已被使用，则依序尝试H+1²，H+2²，H+3²，H+4²，…，H+i²，而不是像线性探测依序尝试H+1，H+2，H+3，H+4，…，H+i。
二次探测也会带来一些问题：
线性探测法每次探测必须是不同的位置，二次探测法能否保持如此，能否保证没有位置时插入X一定成功。
二次探测法的运算过程较线性探测法复杂，是否带来执行效率问题。
不论线性探测或二次探测，负载系数过高时，表格能否动态增长。

如果将表格大小设置为质数，并且保持负载系数小于0.5，超过0.5就重新配置整理表格，可保证每插入一个新元素需要的探测次数不超过2。
复杂度的问题，线性探测需要一个加法（加1），一个测试（是否需要回头），以及一个可能的减法（绕转回头）。二次探测需要一个加法（从i-1到i），一个乘法（i²）另一个加法，一个mod运算。
Hi = H0 + i² (mod M)
Hi-1 = H0 + (i-1)² (mod M)
整理
Hi - Hi-1 = i² - (i-1)² (mod M)
Hi = Hi-1 + 2i-1 (mod M)
以前一个H值计算下一个H值，不需要执行二次方的乘法，乘以2可以位移位快速完成，mod运算可证明为非需要。
最后一个array动态增长的问题，扩充表格，需找到一个新的大约两倍质数的表格，表格重建不可能原封不动地拷贝，必须检验旧表格中的所有元素，计算其在新表格中的位置，再插入到新表格中。
二次探测可以消除主集团，却可能造成次集团：两个元素经hash function计算出来的位置若相同，则插入时所探测的位置也相同，形成某种浪费。消除次集团如复式散列。

开链
开链法是在每一个表格元素中维护一个list，hash function分配一个list，在list中执行元素的插入、搜索、删除等操作。虽然针对list的搜索是线性操作，但list够短可保证速度。
使用开链手法，表格的负载系数将大于1。
STL的hashtable便是采用这种做法。

hash_set
STL set以RB-tree为底层机制，hash_set是以hashtable为底层机制，封装hashtable的接口。
RB-tree有自动排序功能而hashtable没有，即set可自动排序hash_set不可。set和hash_set都可完成快速搜索元素。

hash_map
hash_map以hashtable为底层机制。map和hash_map都可完成根据键值快速搜索元素功能，hash_map使用方式与map完全相同，但不可自动排序。

hash_multiset
hash_multiset特性与multiset完全相同，区别为hash_multiset使用hashtable底层机制，不可自动排序。
hash_multiset与hash_set唯一区别是元素插入操作，hash_multiset使用hashtable的insert_equal()，hash_set使用insert_unique()。

hash_multimap
hash_multimap与multimap特性完全相同，区别为hash_multimap使用hashtable底层机制，不可自动排序。
hash_multimap与hash_map实现上的唯一区别为插入操作，hash_multimap使用hashtable的insert_equal()，hash_map使用insert_unique()。

hash_functions
<hash_fun.h>定义中有现成的hash_functions，都是仿函数，在下一篇hashtable设计中计算元素位置_M_bkt_num，调用仿函数，取得可以对hashtable模运算的值。
针对char, int, long等整型，仿函数返回原值，对于字符串设计了一个转换函数。

hashtable无法处理以下类型以外的元素，如string, double, float，需要自定义hash_function。

namespace __gnu_cxx _GLIBCXX_VISIBILITY(default)
{
_GLIBCXX_BEGIN_NAMESPACE_VERSION

  using std::size_t;

  template<class _Key>
    struct hash { };

  inline size_t
  __stl_hash_string(const char* __s) //字符串转换函数
  {
    unsigned long __h = 0;
    for ( ; *__s; ++__s)
      __h = 5 * __h + *__s;
    return size_t(__h);
  }

  template<>
    struct hash<char*>
    {
      size_t
      operator()(const char* __s) const
      { return __stl_hash_string(__s); }
    };

  template<>
    struct hash<const char*>
    {
      size_t
      operator()(const char* __s) const
      { return __stl_hash_string(__s); }
    };

  template<>
    struct hash<char>
    { 
      size_t
      operator()(char __x) const
      { return __x; }
    };

  template<>
    struct hash<unsigned char>
    { 
      size_t
      operator()(unsigned char __x) const
      { return __x; }
    };

  template<>
    struct hash<signed char>
    {
      size_t
      operator()(unsigned char __x) const
      { return __x; }
    };

  template<>
    struct hash<short>
    {
      size_t
      operator()(short __x) const
      { return __x; }
    };

  template<>
    struct hash<unsigned short>
    {
      size_t
      operator()(unsigned short __x) const
      { return __x; }
    };

  template<>
    struct hash<int>
    { 
      size_t 
      operator()(int __x) const 
      { return __x; }
    };

  template<>
    struct hash<unsigned int>
    { 
      size_t
      operator()(unsigned int __x) const
      { return __x; }
    };

  template<>
    struct hash<long>
    {
      size_t
      operator()(long __x) const
      { return __x; }
    };

  template<>
    struct hash<unsigned long>
    {
      size_t
      operator()(unsigned long __x) const
      { return __x; }
    };

_GLIBCXX_END_NAMESPACE_VERSION
} // namespace