哈希算法、哈希表的作用与原理

闲谈Hash

由于以前对hash的理解就不是很透彻，与是在工作不忙的时候，回首掏了一波hash，并记录一下自己的心得体会。

哈希算法和哈希表都不是自然产生的，都是人为的产物，既然是人为了的，那么就可以跟随创造它的目的去深入理解它。

哈希算法的最初是为了验证两条信息是否相同，可能你会认为这很简单啊，所有的编程语言都提供的有比较的方法，直接用不就可以了吗，确实，是可以直接用一些类似于equals等方法去比较，但是这些方法底层几乎都是将两个字符串的每一个字符进行比较（为什么说是字符串呢，因为所有的东西可以认为是0和1组成的字符串，你说要是数字，那也行，不过大的让你无法想象）

这里你需要改变一下认识，即万物皆“字符串”，咱往最底层的去看，所有的语言都有共同的底层（0和1）。两条信息要进行比较是否相同，要对两条信息最终的机器码进行亦或运算，结果为零时说明两条信息一样。现在的机器一般都位64位的机器，一次只能处理64位的数据，一个1G的信息的机器码可能长达几十上百亿或更长，两条这样的信息进行比较时，这需要计算机去运算很多很多很多次，会发费大量的时间。（不要问我为什么会有1G的信息，因为万物皆“信息”，一句话算是一条信息，一个文件也可以算是一条信息）

Hash 算法

Hash算法的规则要求先不提，最后再说，不然很容易懵逼。

hash算法就是经过一系列简单的操作（这个指的是计算机和牛逼的数学家认为的简单，对于非数学家的我们来说.....）让一条信息变短，这样说不太准确，因为并没有改变这条信息，而是类似与给这条信息起了个别名，这个别名就像你与你的身份证号一样，具有唯一性。这个别名远远短于这条信息，所以比较两条信息时可以比较它们的别名，如果两条信息别名一样，那就说明这两天信息是一样的了。所以这个别名很重要，对于两条相同的信息必须要产生一致的别名，所以起别名不能随意起，需要有一定的规则，这个规则统称Hash算法。

接下来是Hash的三个规则：

1. 将任何一条不论长短的信息，计算出唯一的一串数字与它相对应；
2. 这串数字的长度必须固定；
3. 这串数字不可能再被反向破译。也就是说，我们只能把原始的信息转化为这串数字，而不可能将这串数字反推回去得到原始信息

逐条进行解释：第一条很容易理解，每一条信息都应该有自己独一无二的别名，不能存在重名的现象（别跟我说世界上重名的很多，咱们的姓名只是代号，咱们的唯一标识是身份证号，你见过身份证号一样的两个人吗？）。

第二条的原因跟计算机有关，更要理解什么是无穷，一个算法的输入是无穷的,要让每个不同的输入都有一个唯一的输出（别名），那么这个算法的输出也是无穷的。然而，计算机并没有办法去处理无穷，计算机只能处理有限的数据，解决不了无限的数据。所以要规定一下，这个算法的输出长度必须固定。（挑刺的人一定会问，那为啥不是算法输出结果的最大长度固定呢，对于这个问题需要你去思考1与0....001的区别了）。固定算法的输出长度后，计算机是可以处理算法的输出了，但是这也造成了一个无法解决的问题，无穷的输入，有穷的输出，又要要求输入与输出对应，理论上是一定会产生冲突的，即在无穷的输入里，有多个输入会输出相同的值。所以会有一些解决冲突的方法，但是这个冲突在理论上是永远无法避免的，各种解决冲突的办法只不过是去无限降低冲突的概率。

第三条的存在是为了安全性，因为hash算法这么牛逼的东西，肯定会用在军事和商业上面啊，而且哈希算法这个东西就是美国安全局在1993年（哈希算法的年龄比我都还大）搞出来的。所以为了信息安全，所以才有了第三条规则。不过如同第二条一样，第三条在数学上也是有bug的，在数学上任何函数都是可逆性的，哈希算法也是函数，理论上它必然可逆。既然如此，那为什么还会有第三条呢？因为理论始终是理论，理论上是可逆的，你通过哈希的输出去逆运算是可以算出它的输入的，前提是你得有超级牛逼的电脑和比乌龟还长的寿命。所以第三条的不可逆是指现实中的不可逆。

Hash冲突

Hash冲突，我举个栗子，MD5大家应该都听说过，额...没听过的就算了，MD5是一种哈希算法，广泛用于杀毒软件中，杀毒软件公司自己有一个数据库，里面存放各种已知的病毒（计算机的）的MD5码，在你使用杀毒软件进行扫描的时候，杀毒软件会对你电脑上的所有文件进行哈希运算，得到每个文件的MD5码，然后与它数据库里已知的MD5码进行对比，对比上了（恭喜你，喜提木马一只），杀毒软件就会将这个文件删除掉。但是有时候，不是病毒的文件也会被杀毒软件干掉（可以去买彩票了），就是因为你这个文件的MD5码和某个病毒的MD5码一样。

//下面这段话可能会误导小白们，可以不用管。之所以不删除这段话是因为，这段话有助于我自己对hash的理解。

Hash冲突我个人分为两种，一种是结果冲突，一种是过程冲突。过程冲突是在哈希算法的设计过程中，对于不同的输出经过算法运算后有相同的结果，这个时候就要对冲突进行处理，常见的处理方法有开放地址法，线性推理法，溢出池法，二次哈希法等等，这些方法的目的就是降低最终的结果冲突，注意是降低不是解决，因为无穷/有穷>1，最终结果的冲突永远会存在。

 

Hash表

上面在说Hash函数的时候从宏观（字符串，文件...）直接忽视所有中间过程到机器码，这里稍微写一些中间的东西，内存地址。Hash函数用的最多的我想应该是在寻址方面。通过上面所说，哈希函数的作用就是在两条信息进行比较时，通过数学方法，降低计算机进行比较所耗费的时间。计算机进行两条信息的比较发生最多的地方就是内存寻址上了。以JAVA语言来说，你定义一个变量 a ,在栈中会有一个内存的地址指向变量a,当你给a赋值的时候，赋的值会存放在内存中对应的存储单元里。不管是存数据还是取数据，都会有地址的比较。使用hash算法后，地址还是需要同等次数的比较，但是每次比较都节省了一点时间，这一丢丢的时间在比较的次数很大时，节省的时间就很可观，时间就是效率，节省时间就是最大的优化。

下面是Hash表的百度百科解释，看完上面的内容之后，百度百科的解释就很容易理解了：

散列表（Hash table，也叫哈希表），是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。

给定表M，存在函数f(key)，对任意给定的关键字值key，代入函数后若能得到包含该关键字的记录在表中的地址，则称表M为哈希(Hash）表，函数f(key)为哈希(Hash) 函数。