C++——哈希

最新推荐文章于 2024-07-10 08:42:27 发布
最新推荐文章于 2024-07-10 08:42:27 发布
阅读量994 收藏 1
点赞数
分类专栏： 数据结构 C++ 文章标签： c++ 哈希算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_55712347/article/details/130180913
版权
本文介绍了C++11中unordered_map和unordered_set容器的使用，包括接口说明和底层的哈希表实现，探讨了哈希函数、哈希冲突及其解决方法，如开散列和闭散列，并提供了模拟实现的代码示例。
摘要由CSDN通过智能技术生成

目录

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 l o g 2 N log_2N log2​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，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，运用的是哈希开散列结构，数据较多时，查询效率远远大于红黑树。
本文中只对unordered_map和unordered_set进行介绍，unordered_multimap和unordered_multiset读者可自行查看文档介绍。查看链接

1.1和1.2是对于unordered_map和unordered_set内置函数的一些用法的介绍，已经熟悉的老铁可以直接跳过这是跳转链接->跳转到OJ题练练手吧！

1.1 unordered_map

1.1.1 unordered_map的文档介绍

  1. 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。
  2. 在unordered_map中，键值key通常用于唯一地标识元素，而映射值value是一个对象，其内容与此键值关联。键值和映射值的类型可能不同。
  3. 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哈希桶中。
  4. 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。
  5. 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，这一点和map类似。
  6. 它的迭代器是正向迭代器。（单向迭代器）

1.1.2 unordered_map的接口说明

  1. 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
  1. 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
  1. 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
  1. 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。

  1. 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

  1. 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
  1. 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

参见 unordered_set在线文档说明

1.3 在线OJ

重复n次的元素
两个数组的交集I
两个数组的交集II
存在重复元素
两句话中不常见的单词

2. 底层结构

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( l o g 2 N log_2 N log2​N)，搜索的效率取决于搜索过程中元素的比较次数。
理想的搜索方法：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。

当向该结构中：

  • 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

该方式即为哈希(散列)方法，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)
例如：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。
在这里插入图片描述

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问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题？答案是哈希冲突。
点此跳转回2.4.1闭散列

2.2 哈希冲突

对于两个数据元素的关键字 k i k_i ki​和 k j k_j kj​(i != j)，有 k i k_i ki​ != k j k_j kj​，但有：Hash( k i k_i ki​) ==Hash( k j k_j kj​)，即：不同关键字通过相同哈希函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。
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”。发生哈希冲突该如何处理呢？

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（int类型的就是其整型值，字符串类型的要转换成每个字符的ASC码值之和，目的就是为了方便哈希地址的计算），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最好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

  1. 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，如果数据比较分散，那么会浪费很多空间。
    使用场景：适合查找数据比较小且连续的情况
    面试题：字符串中第一个只出现一次字符

  2. 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（质数作为除数比起其他数更能让整个散列表均匀分布），按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址。

  3. 平方取中法–(了解)
    假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址；再比如关键字为4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址平方取中法比较适合：不知道关键字的分布，而位数又不是很大的情况。

  4. 折叠法–(了解)
    折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。折叠法适合事先不需要知道关键字的分布，适合关键字位数比较多的情况。

  5. 随机数法–(了解)
    选择一个随机函数，取关键字的随机函数值为它的哈希地址，即H(key) = random(key),其中random为随机数函数。通常应用于关键字长度不等时采用此法。

  6. 数学分析法–(了解)
    设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。例如：

在这里插入图片描述
假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现冲突，还可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改成12+34=46)等方法。
数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况。
注意：哈希函数设计的越精妙，产生哈希冲突的可能性就越低，但是无法避免哈希冲突。

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。那如何寻找下一个空位置呢？

  1. 线性探测
    比如2.1中的场景(点此跳转到2.1哈希概念)，现在需要插入元素44，先通过哈希函数计算哈希地址，哈希地址为4，因此44理论上应该插在该位置，但是该位置已经放了值为4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。
    在这里插入图片描述
  • 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4，如果直接删除掉，44查找起来可能会受影响，线性探测采用标记的伪删除法来删除一个元素。
    采用下面的伪删除法，为的是能在查找函数find中更好的控制查找的逻辑。

负载因子
散列表的负载因子定义为 α=填入散列表中的元素个数/散列表的长度 α是散列表装满程度的负载因子。由于表长是定值，α与“填入表中的元素个数”成正比，所以，α越大，表明填入表中的元素越多，产生冲突的可能性就越大；反之，α越小，表明填入表中的元素越少，产生冲突的可能性就越小。实际上，散列表的平均查找长度是负载因子α的函数，只是不同处理冲突的方法有不同的函数。
对于开放定址法，荷载因子是特别重要因素，应严格限制在0.7-0.8以内。超过0.8，查表时的CPU缓存不命中（cache missing）按照指数曲线上升。因此，一些采用开放定址法的hash库，如Java的系统库限制了荷载因子为0.75，超过此值将resize散列表（vector）。

研究表明：当表的长度为质数且表负载因子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。

  1. 线性探测的实现
//利用仿函数对于int类型的数据或者string类型数据的关键值的处理///
template<class K>
struct HashFunc
{
	size_t operator()(const K& key)
	{
		return (size_t)key;
	}
};

// 模板的特化
template<>
struct HashFunc<string>
{
	// BKDR		字符串哈希函数
	size_t operator()(const string& key)
	{
		size_t hash = 0;
		for (auto ch : key)
		{
			hash *= 131;//
			hash += ch;
		}
		return hash;
	}
};
//闭散列结构//
namespace closehash
{
// 哈希表每个空间给个标记
// 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,
	};

	template<class K, class V>
	struct HashData
	{
		pair<K, V> _kv;
		State _state = EMPTY;//默认赋值为EMPTY
	};

	template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
		typedef HashData<K, V> Data;
	public:
		HashTable()
			:_n(0)
		{
			_tables.resize(10);//先默认开十个空间
		}

		bool Insert(const pair<K, V>& kv)
		{
			if (Find(kv.first))//如果已经存在相同的K值，不能插入插入失败
				return false;

			// 大于标定负载因子，就需要扩容
			if (_n * 10 / _tables.size() >= 7)//负载因子大于0.7
			{
				HashTable<K, V, Hash> newHT;//创建一个新表
				newHT._tables.resize(_tables.size() * 2);
				for (auto& e : _tables)
				{
					if (e._state == EXIST)
					{
						newHT.Insert(e._kv);
					}
				}

				_tables.swap(newHT._tables);
			}

			Hash hf;//即将使用仿函数
			size_t hashi = hf(kv.first)/*仿函数的利用*/ % _tables.size();
			while (_tables[hashi]._state == EXIST)
			{
				// 线性探测
				++hashi;
				hashi %= _tables.size();
			}

			_tables[hashi]._kv = kv;
			_tables[hashi]._state = EXIST;
			++_n;

			return true;
		}

		Data* Find(const K& key)
		{
			Hash hf;//即将利用仿函数
			size_t hashi = hf(key) % _tables.size();//仿函数的利用
			size_t starti = hashi;//防止极端情况下，全是存在或者删除状态，没有空的状态
			while (_tables[hashi]._state != EMPTY)
			{
				if (_tables[hashi]._state == EXIST
					&& _tables[hashi]._kv.first == key)
				{
					return &_tables[hashi];
				}

				++hashi;
				hashi %= _tables.size();

				// 极端场下没有空，全是存在或者删除状态
				if (hashi == starti)
				{
					break;
				}
			}

			return nullptr;
		}

		bool Erase(const K& key)
		{
			Data* ret = Find(key);
			if (ret)
			{
				ret->_state = DELETE;
				--_n;//注意细节
				return true;
			}
			else
			{
				return false;
			}
		}
	private:
		vector<Data> _tables;
		size_t _n = 0;	// 表中存储的有效数据的个数，缺省值C++11
};

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。
如何缓解呢？

  1. 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为： H i H_i Hi​ = ( H 0 H_0 H0​ + i 2 i^2 i2 )% m, 或者： H i H_i Hi​ = ( H 0 H_0 H0​ - i 2 i^2 i2 )% m。其中：i =1,2,3…， H 0 H_0 H0​是通过散列函数Hash(x)对元素的关键码 key 进行计算得到的位置，m是表的大小。
    对于2.1中如果要插入44，产生冲突，使用解决后的情况为：

在这里插入图片描述

2.4.2 开散列

  1. 开散列概念
    开散列法又叫链地址法(开链法)，首先对关键码集合用散列函数（下面运用的是除留余数法）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。
    在这里插入图片描述
    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。 每个“桶”都是一个不带头的单链表，每个vector的元素存放的是每一个单链表的头节点的地址。
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（负载因子为1时），可以给哈希表增容。当哈希冲突比较多时，会极大的影响查找效率，此时哈希桶可以考虑挂一颗红黑树，而不是单链表。

开散列的思考
  • 只能存储key为整形的元素，其他类型怎么解决？这里就可以运用仿函数来解决此类问题。
// 哈希函数采用处理余数法，被模的key必须要为整形才可以处理，此处提供将key转化为整形的方法
// 整形数据不需要转化
template<class K>
struct HashFunc
{
	size_t operator()(const K& key)//仿函数
	{
		return (size_t)key;
	}
};

//string类型的
// 模板特化
template<>
struct HashFunc<string>
{
	// BKDR  
	size_t operator()(const string& key)//仿函数
	{
		size_t hash = 0;
		for (auto ch : key)
		{
			hash *= 131;
			hash += ch;
		}
		return hash;
	}
};
  • 除留余数法，最好模一个素数，如何每次快速取一个类似两倍关系的素数？
inline unsigned long __stl_next_prime(unsigned long n)
{
	static const int __stl_num_primes = 28;
	static const unsigned long __stl_prime_list[__stl_num_primes] =
	{
		53, 97, 193, 389, 769,
		1543, 3079, 6151, 12289, 24593,
		49157, 98317, 196613, 393241, 786433,
		1572869, 3145739, 6291469, 12582917, 25165843,
		50331653, 100663319, 201326611, 402653189, 805306457,
		1610612741, 3221225473, 4294967291
	};

	for (int i = 0; i < __stl_num_primes; ++i)
	{
		if (__stl_prime_list[i] > n)
		{
			return __stl_prime_list[i];
		}
	}
	return __stl_prime_list[__stl_num_primes - 1];
}
  1. 开散列实现
namespace buckethash//开散列给它起名叫做桶哈希
{
	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()
			:_n(0)
		{
			//_tables.resize(10);
			_tables.resize(__stl_next_prime(0));
		}

		~HashTable()
		{
			for (size_t i = 0; i < _tables.size(); ++i)
			{
				// 释放桶
				Node* cur = _tables[i];
				while (cur)
				{
					Node* next = cur->_next;
					delete cur;
					cur = next;
				}

				_tables[i] = nullptr;
			}
		}

		bool Insert(const pair<K, V>& kv)
		{
			if (Find(kv.first))
				return false;

			// 负载因子控制在1，超过就扩容
			if (_tables.size() == _n)
			{
	//这种方法虽然简单，但是这种方法是把原来散列表的每个结点释放掉，然后重新在new，有点浪费时间
				/*HashTable<K, V, Hash> newHT;
				newHT._tables.resize(_tables.size() * 2);
				for (auto cur : _tables)
				{
					while (cur)
					{
						newHT.Insert(cur->_kv);
						cur = cur->_next;
					}
				}
				_tables.swap(newHT._tables);*/
				
	//这种方法虽然简单，但是这种方法是把原来散列表的每个结点释放掉，然后重新在new，有点浪费时间
				vector<Node*> newTables;
				//newTables.resize(2 * _tables.size(), nullptr);
				newTables.resize(__stl_next_prime(_tables.size()), nullptr);

				for (size_t i = 0; i < _tables.size(); ++i)
				{
				// 将该节点从原哈希表中拆出来
					Node* cur = _tables[i];
					while (cur)
					{
						Node* next = cur->_next;
						
						size_t hashi = Hash()(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);
			}

			size_t hashi = Hash()(kv.first) % _tables.size();
			// 头插
			Node* newnode = new Node(kv);
			newnode->_next = _tables[hashi];
			_tables[hashi] = newnode;
			++_n;

			return true;
		}

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

		bool Erase(const K& key)
		{
			size_t hashi = Hash()(key) % _tables.size();
			Node* prev = nullptr;
			Node* cur = _tables[hashi];
			while (cur)
			{
				if (cur->_kv.first == key)
				{
					// 准备删除
					if (cur == _tables[hashi])
					{
						_tables[hashi] = cur->_next;
					}
					else
					{
						prev->_next = cur->_next;
					}

					delete cur;
					--_n;

					return true;
				}
				else
				{
					prev = cur;
					cur = cur->_next;
				}
			}
			return false;
		}
		
//在stl库里，哈希表扩容的时候选了28个质数，用于作为扩容的最大容量，它们两两之间都是接近2倍的关系，目的是能够尽量减少哈希冲突
		inline unsigned long __stl_next_prime(unsigned long n)
		{
			static const int __stl_num_primes = 28;
			static const unsigned long __stl_prime_list[__stl_num_primes] =
			{
				53, 97, 193, 389, 769,
				1543, 3079, 6151, 12289, 24593,
				49157, 98317, 196613, 393241, 786433,
				1572869, 3145739, 6291469, 12582917, 25165843,
				50331653, 100663319, 201326611, 402653189, 805306457,
				1610612741, 3221225473, 4294967291
			};

			for (int i = 0; i < __stl_num_primes; ++i)
			{
				if (__stl_prime_list[i] > n)
				{
					return __stl_prime_list[i];
				}
			}
			return __stl_prime_list[__stl_num_primes - 1];
		}

	private:
		vector<Node*> _tables;  // 指针数组
		size_t _n = 0;
	};
  1. 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：由于开放定址法必须保持大量的空闲空间以确保搜索效率，如二次探查法要求负载因子a <=0.7，表项所占空间又比指针大的多；而开散列（链地址法）要求负载因子为1时才扩容，所以使用链地址法反而比开地址法节省存储空间。

3. 模拟实现

3.1 哈希表的改造

看起来多传了一个K，实际上第一个模板参数K是为了方便unordered_map和unordered_set（map和setstl源码也是如此）能统一处理find和erase的时候传的都是K。

  1. 模板参数列表的改造

K:关键码类型。
T: 不同容器T的类型不同，如果是unordered_map，T代表一个键值对，如果是unordered_set, T为 K。
KeyOfT: 对于map和set要求对不同的data能比较大小，对于unordered_map和unordered_set要求对不同的data能转成整形。 因为V的类型不同，通过value取key的方式就不同，详细见unordered_map / set的实现。
Hash: 哈希函数仿函数对象类型，哈希函数使用除留余数法，需要将Key转换为整形数字才能取模。

template<class K, class T, class Hash, class KeyOfT>
class HashTable;
  1. 增加迭代器操作
template<class T>
struct HashNode
{
	//pair<K, V> _kv;
	T _data;
	HashNode<T>* _next;

	HashNode(const T& data)
		:_data(data)
		, _next(nullptr)
	{}
};

//原因：下面的迭代器要用到哈希表，后面的哈希表内部又用到了迭代器，互相需要，所以需要在迭代器前面进行前置声明，
// 说明一下迭代器内部用到的哈希表在后面是有的，你不要着急
template<class K, class T, class Hash, class KeyOfT>// 前置声明   
class HashTable;

template<class K, class T, class Hash, class KeyOfT>
struct __HTIterator
{
	typedef HashNode<T> Node;
	typedef __HTIterator<K, T, Hash, KeyOfT> Self;

	typedef HashTable<K, T, Hash, KeyOfT> HT;

	Node* _node;
	HT* _ht;

	__HTIterator(Node* node, HT* ht)
		:_node(node)
		, _ht(ht)
	{}

	T& operator*()
	{
		return _node->_data;
	}

	T* operator->()
	{
		return &_node->_data;
	}

	bool operator != (const Self& s) const
	{
		return _node != s._node;
	}

	Self& operator++()
	{
		if (_node->_next)
		{
			_node = _node->_next;
		}
		else
		{
			// 当前桶走完了，要找下一个桶的第一个
			KeyOfT kot;
			Hash hash;
			size_t hashi = hash(kot(_node->_data)) % _ht->_tables.size();
			++hashi;
			while (hashi < _ht->_tables.size())
			{
				if (_ht->_tables[hashi])
				{
					_node = _ht->_tables[hashi];
					break;
				}
				else
				{
					++hashi;
				}
			}

			// 后面没有桶了
			if (hashi == _ht->_tables.size())
				_node = nullptr;
		}

		return *this;
	}
};
  1. 增加通过key获取value操作
template<class K, class T, class Hash, class KeyOfT>
class HashTable
{
	typedef HashNode<T> Node;

	template<class K, class T, class Hash, class KeyOfT>
	friend struct __HTIterator;//友元模板

public:
	typedef __HTIterator<K, T, Hash, KeyOfT> iterator;//这里哈希表用到了迭代器

	iterator begin()
	{
		for (size_t i = 0; i < _tables.size(); ++i)
		{
			if (_tables[i])
			{
				return iterator(_tables[i], this);
			}
		}

		return iterator(nullptr, this);
	}

	iterator end()
	{
		return iterator(nullptr, this);
	}

	HashTable()
		:_n(0)
	{
		//_tables.resize(10);
		_tables.resize(__stl_next_prime(0));
	}

	~HashTable()
	{
		for (size_t i = 0; i < _tables.size(); ++i)
		{
			// 释放桶
			Node* cur = _tables[i];
			while (cur)
			{
				Node* next = cur->_next;
				delete cur;
				cur = next;
			}

			_tables[i] = nullptr;
		}
	}

	pair<iterator, bool> Insert(const T& data)
	{
		KeyOfT kot;

		iterator it = Find(kot(data));
		if (it != end())
			return make_pair(it, false);

		// 负载因子控制在1，超过就扩容
		if (_tables.size() == _n)
		{
			/*HashTable<K, V, Hash> newHT;
			newHT._tables.resize(_tables.size() * 2);
			for (auto cur : _tables)
			{
			while (cur)
			{
			newHT.Insert(cur->_kv);
			cur = cur->_next;
			}
			}
			_tables.swap(newHT._tables);*/

			vector<Node*> newTables;
			//newTables.resize(2 * _tables.size(), nullptr);
			newTables.resize(__stl_next_prime(_tables.size()), nullptr);

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

					size_t hashi = Hash()(kot(cur->_data)) % newTables.size();
					// 头插到新表
					cur->_next = newTables[hashi];
					newTables[hashi] = cur;

					cur = next;
				}

				_tables[i] = nullptr;
			}

			_tables.swap(newTables);
		}

		size_t hashi = Hash()(kot(data)) % _tables.size();
		// 头插
		Node* newnode = new Node(data);
		newnode->_next = _tables[hashi];
		_tables[hashi] = newnode;
		++_n;

		return  make_pair(iterator(newnode, this), true);
	}

	iterator Find(const K& key)
	{
		KeyOfT kot;
		size_t hashi = Hash()(key) % _tables.size();
		Node* cur = _tables[hashi];
		while (cur)
		{
			if (kot(cur->_data) == key)
			{
				return iterator(cur, this);
			}
			else
			{
				cur = cur->_next;
			}
		}

		return end();
	}

	bool Erase(const K& key)
	{
		size_t hashi = Hash()(key) % _tables.size();
		Node* prev = nullptr;
		Node* cur = _tables[hashi];
		while (cur)
		{
			if (cur->_kv.first == key)
			{
				// 准备删除
				if (cur == _tables[hashi])
				{
					_tables[hashi] = cur->_next;
				}
				else
				{
					prev->_next = cur->_next;
				}

				delete cur;
				--_n;

				return true;
			}
			else
			{
				prev = cur;
				cur = cur->_next;
			}
		}

		return false;
	}

	inline unsigned long __stl_next_prime(unsigned long n)
	{
		static const int __stl_num_primes = 28;
		static const unsigned long __stl_prime_list[__stl_num_primes] =
		{
			53, 97, 193, 389, 769,
			1543, 3079, 6151, 12289, 24593,
			49157, 98317, 196613, 393241, 786433,
			1572869, 3145739, 6291469, 12582917, 25165843,
			50331653, 100663319, 201326611, 402653189, 805306457,
			1610612741, 3221225473, 4294967291
		};

		for (int i = 0; i < __stl_num_primes; ++i)
		{
			if (__stl_prime_list[i] > n)
			{
				return __stl_prime_list[i];
			}
		}

		return __stl_prime_list[__stl_num_primes - 1];
	}

3.2 unordered_map

// unordered_map中存储的是pair<K, V>的键值对，K为key的类型，V为value的类型，HF哈希函数类型
// unordered_map在实现时，只需将hashbucket中的接口重新封装即可
#include "transformed_HashTable.h"
namespace HB
{
	template<class K, class V, class Hash = HashFunc<K>>
	class unordered_map
	{
		struct MapKeyOfT
		{
			const K& operator()(const pair<const K, V>& kv)
			{
				return kv.first;
			}
		};

	public:

		typedef typename buckethash::HashTable<K, pair<const K, V>, Hash, MapKeyOfT>::iterator iterator;

		iterator begin()
		{
			return _ht.begin();
		}

		iterator end()
		{
			return _ht.end();
		}

		pair<iterator, bool> insert(const pair<K, V>& data)
		{
			return _ht.Insert(data);
		}

		V& operator[](const K& key)
		{
			pair<iterator, bool> ret = _ht.Insert(make_pair(key, V()));
			return ret.first->second;
		}

	private:
		buckethash::HashTable<K, pair<const K, V>, Hash, MapKeyOfT> _ht;
	};
}

3.3 unordered_set

下面代码涉及到typename，感兴趣的老铁可以看一下。

#include "transformed_HashTable.h"

namespace HB
{
	template<class K, class Hash = HashFunc<K>>
	class unordered_set
	{
		struct SetKeyOfT
		{
			const K& operator()(const K& key)
			{
				return key;
			}
		};
	public:
		typedef typename buckethash::HashTable<K, K, Hash, SetKeyOfT>::iterator iterator;
		//HashTable<K, K, Hash, SetKeyOfT>没有实例化，编译器以为buckethash::HashTable<K, K, Hash, SetKeyOfT>就是一个类型，
		//对于用于模板定义的依赖模板参数的名称，只有在实例化的参数中存在这个类型名，或者这个名称前面使用了typename关键字修饰，编译器才会将这个名字当做是类型。
		//除了以上两种情况，编译器不会将它视为类型。即，当你想告知编译器iterator是类型而不是变量，只需要用typename

		iterator begin()
		{
			return _ht.begin();
		}

		iterator end()
		{
			return _ht.end();
		}

		pair<iterator, bool> insert(const K& key)
		{
			return _ht.Insert(key);
		}
	private:
		buckethash::HashTable<K, K, Hash, SetKeyOfT> _ht;
	};
}

➡️➡️➡️➡️完整代码链接在此

有效的放假者
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
c++——哈希
蜗@牛的博客
07-15 2185
概念 哈希是一种搜索数据结构，不过哈希搜索不同于顺序搜索和二叉搜索的是：哈希可以不经过任何比较，一次直接从表中得到要搜索的元素。它是通过某种函数(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就可以直接找到该元素。 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) 。 哈希冲突 哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间的大小。
C++——哈希表与哈希查找
Wannna的博客
11-28 2161
1、哈希表类的哈希函数采用除留余数法哈希函数； 2、解决哈希冲突的函数采用开放定址法中的线性探察法。 3、建立一个由10个数据元素组成的集合； #include"iostream" using namespace std; #define m 15 //m是表长 #define n 13 //n是选择的质因子 typedef int KeyType; //关键字key类型 typedef i...
C++哈希模板（基于邻接表） 散列
08-03
我自己写的C++课设程序，哈希模板模版。 自认为是初学者的“杰作”。
数据结构之哈希（C++实现）
CHAKMING1的博客
01-20 1726
介绍了哈希的基本概念，介绍了开散列和闭散列的概念和对应的C++代码实现方式。在哈希的基础上拓展并实现了位图和布隆过滤器。
C++ 字符串哈希（hush）讲解
最新发布
xzz_0611 的博客
07-10 474
C++ 哈希算法
C++ Hash
candj的专栏
12-28 1201
apt-get install sparsehash #include #ifdef __GNUC__#include #else#include #endifusing namespace std;namespace std { using namespace __gnu_cxx;}int main() { std::hash_map hm
哈希（C++)
qq_68006585的博客
04-21 751
是存储键值对pair的关联式容器，允许通过键值key快速查找到与其对应的实值value在中，键值通常唯一地标识元素，而映射值是一个对象，其内容与键值关联，键值和映射对象类型可能不同在内部，没有将键值对按照任何特定顺序进行排序（无序），为了能在常数范围内找到键值对应的实值，将相同哈希值的键值对存放在相同的桶中实现了直接访问操作符operator[]，允许使用键值作为参数直接访问实值迭代器只能向前。
C++哈希
qq_65285898的博客
05-08 1922
关于哈希的概念、模拟实现与应用
C++——哈希练习题
Ll_R_lL的博客
12-23 651
输出结果中的每个元素一定是 唯一 的。A：依次读取文件A中的query，i = Hash（query）%1000，这个query就进去Ai小文件。B：依次读取文件B中的query，i = Hash（query）%1000，这个query就进去Bi小文件。输入：nums1 = [4,9,5], nums2 = [9,4,9,8,4]输入：nums1 = [1,2,2,1], nums2 = [2,2]输入：nums = [5,1,5,2,5,3,5,4]输入：nums = [2,1,2,5,3,2]
C++——哈希&二分&队列例题——数对个数
McDonnell_Douglas的博客
01-21 1379
题目描述 给出一串数以及一个数字 C，要求计算出所有 A-B=C 的数对的个数。规定：不同位置的数字一样的数对算不同的数对。 输入格式 第一行包括 2 个非负整数 N 和 C（C≠0），中间用空格隔开。 第二行有 N 个整数，中间用空格隔开，作为要求处理的那串数。 输出格式 输出一行，表示该串数中包含的所有满足 A-B=C 的数对的个数。 样例数据
编程语言(C++/Python/C#/javascript)中的数据结构——哈希映射
01-21
文章目录哈希表简介哈希映射简介C++Python3 哈希表简介 哈希表是一种使用哈希函数组织数据，以支持快速插入和搜索的数据结构。 有两种不同类型的哈希表：哈希集合(理解为set)和哈希映射(理解为dictionary)。 哈希...
哈希算法C++实现
02-26
哈希表算法C++实现 SGI 哈希表是一个线性存储结构，其关键是哈希函数与哈希值算法
哈希算法的实现c++
05-10
哈希算法的实现c++
Hash(c++)
wcy2003的博客
11-07 555
#include&lt;cstdio&gt; #include&lt;algorithm&gt; #include&lt;cstdlib&gt; #include&lt;vector&gt; #include&lt;queue&gt; #include&lt;stack&gt; #include&lt;map&gt; #include&lt;set&gt; #include&amp
【C++】 哈希
qq_62939852的博客
05-20 2639
需要使用枚举来表示三种状态 删除 存在 空表示状态的state 也应该默认设为空，不然有可能造成 映射位置 没有数据但是 状态为存在的情况。
C++ hash函数
yudelian的博客
07-30 2568
目录 hash函数介绍： 用途： Hash函数的特性： 参考： hash函数介绍： 哈希函数，又叫散列函数、散列算法，是一种从任何一种数据中创建小的数字“指纹”（也叫做摘要）的方法 用途： 1.快速验证： 生成各种数据的摘要，当比较两个数据是否相等时，只需要比较他们的摘要就可以了 2.防止篡改 ：传递一个数据，要保证它在传递过程中不被篡改，只需要同时传递它的摘要即可。收到数据的人将这个数据重新生成摘要，然后比较传递的摘要和生成的摘要是否相等，如果相等，则说明数据在传递过程中没有被篡改.
C++:哈希
WHLOOK
08-11 691
1.基本概念 　　哈希一般用来快速查找，通过hash函数将输入的键值（key）映射到某一个地址，然后就可以获得该地址的内容。 同样，如果要储存一对值（键值和数据），则也是通过hash函数获得地址来存入。见图例：   　　不过这其中会出现一些问题，最常见的是出现冲突。就是输入不同的key，经过hash之后得到同样的值，也就是在同一个地址要储存不同的data， 例如使用上图的hash，输
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

有效的放假者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值