HashTable 哈希/散列表 面试基础

HashTable 哈希/散列表

1. 基本思想

哈希表也叫散列表，用于存储key-value键值对，通过将key映射到表中的一个位置来以常数的时间实现插入、删除和查找的技术。

使用哈希/散列函数将要查找的键值转化为数组的索引，在理想状态下，不同的键对应不同的索引，如果每个键对应的索引都不同的话，其实就是直接用数组存储。但如果key的范围很大的话，需要的数组太大（比如处理海量数据时的bitHash），内存消耗上不划算。一般来说，为了折中，用小于键范围的数组(容量为TableSize)来存储。此时，不同的键就会对应相同的索引，这个时候，需要解决哈希冲突的问题。

2. 哈希函数

对于整数来说，最简单的哈希函数就是 key mod TableSize，这个时候，保证table的大小为素数时，该哈希函数能够对随机整数实现平均分配。

下面是一些在应用领域较为出名的哈希算法：

• MD5，信息摘要算法5，确保信息传输完整一致。MD5是输入不定长度信息，输出固定长度128bits的算法。
• SHA-1，用于HTTPS传输和软件签名。
• SHA-2：SHA-224/SHA-256/SHA-384/SHA-512并成为SHA-2
• SHA-3：之前命名为Keccak算法，是一个加密杂凑算法。

3. 解决哈希冲突的方法

3.1 分离链接法（拉链法）

拉链法可用于避免哈希冲突，它的思想是把hash相同的元素存放在链表中，将数组和链表结合起来，平衡时间和空间，实现快速的查找插入和删除。

即，将数组中的每个元素指向一个链表，链表中的每一个节点都存储索引相同的键值对。拉链法的数组长度要足够大，使得链表尽量小，以保证查找效率。

可以指定散列表的最大装载因子 load factor，一旦超过就会rehashing。

load factor = 散列表中的元素个数与散列数组大小的比值。

一般设定为1，即所有存储的元素个数大于数组大小时，就rehashing。

3.2 线性探测法

与拉链法不同的是，该方法在检测到哈希冲突时，不拉出一个链表进行存储，而是逐个探测找出后序的空单元来解决冲突，如下图所示，插入Sandra dee时，因为152已被John smith占据，故放置于153，同理，插入Ted Baker时，虽然hash值为153，但因为被占据，就顺序放到154。

在线性探测法中，如果hash函数不均衡，很容易出现聚集的区块，为了保证效率，装填因子一般设为0.5，此时插入平均需要2.5次探测，成功查找平均需要1.5次探测。

3.3 平方探测法

为了解决线性探测法中一次聚集问题的冲突解决办法。平方探测就是先探测后序的第1个，如果被占用，则探测后序的第$2^2=4$个，如果还被占用，探测后序的第9个。

装填因子一般低于0.5，即确保散列表大小至少是表中元素的两倍大，这样平方探测解法总可以实现。

3.4 双散列

最后一个解决冲突的办法是双散列，在计算探测位置时应用第二个哈希函数。当键为字符串时，由于散列函数的计算比较耗时，通常使用简单易行的平方探测法。

4. 扩充再散列rehash

如果散列表中的元素太多，超过设置的装填因子，那么操作的运行时间开始过长，此时进行rehash，建立一个新表（一般是原表大小两倍后的第一个素数），使用新的哈希函数扫描原表，将元素复制到新表里。