数据结构学习笔记 - 散列表(Hash表)

散列表(Hash表)

简介

散列表依赖的是数组支持按下标随机访问数据的特性
所以散列表是数组的一种扩展, 由数组演化而来, 如果没有数组就没有散列表
时间复杂度O(1), 通过散列函数把元素的key映射为下标, 将数据存储在数组中对应下标的位置
当按key查询元素时, 用同样的散列函数, 将key转化为下标, 从对应的数组下标位置取数据

设计散列表

要可以应对各种异常情况的工业级

1. 散列函数的设计不能太复杂
   散列函数设计的好坏直接决定散列表的性能
   散列函数生成的值要尽可能随机且均匀分布
   散列函数计算结果是非负整数, 因为数组下标从0开始
   如果key1 = key2, 那么hash(key1)=hash(key2)
2. 选择解决冲突的办法
   再好的散列函数也无法避免散列冲突, 所以常用的解决冲突方法有两类
   (1)开放寻址法
   核心思想就是, 如果出现了散列冲突, 就重新探测一个空闲位置, 那么如何探测
   线性探测, 当前位置被占用, 就依次向后查找, 直到找到为止
   二次探测, 类似线性探测, 不过步长每次移原来的二次方
   双重散列, 使用一组散列函数, 一个位置被占用, 再使用第二个散列函数, 直到找到空闲位置
   但问题是, 当散列表中空闲位置越少, 冲突概率就越大, 为保证效率, 一般会保证散列表中有一定比例的空闲位置, 用装载因子(填入元素个数/散列表长度)来表示
   当数据量小, 装载因子小的时候适合
   (2)链表法
   更常用的解决冲突办法, 而且简单
   数组每个下标里对应一条链表, 插入元素时, 通过散列函数, 确定链表, 将数据插入对应的链表中
   时间复杂度和链表的长度成正比, O(k)
   适合存储大对象, 大数据量的散列表, 支持更多的优化策略, 比如链表过长时用红黑树代替链表
3. 定义转载因子阈值, 设计动态扩容策略
   避免低效扩容
   当装载因子达到阈值, 申请新的空间, 每当有新数据插入, 将新数据插入到新散列表, 并从老散列表拿一个数据插入新散列表, 就可以逐渐全部转移且感受不到特别慢的扩容过程
   当查询时, 先查新散列表, 没找到再查旧散列表

Java中的HashMap

初始大小16
装载因子0.75, 每次扩容至两倍
冲突解决方法为链表法, 当链表长度超过8转换为红黑树
散列函数

int hash(Object key) { 
    int h = key.hashCode()； 
    return (h ^ (h >>> 16)) & (capicity -1); //capicity表示散列表的大小
}

散列表碰撞攻击

通过精心构造的数据使得所有数据经过hash函数以后都散列到一个槽里, 如果使用的基于链表的冲突解决方案, 散列表就会退化为链表,
数据里极大时会导致查询消耗大量cpu和线程资源, 造成系统无法响应其他请求

散列表和链表常用组合场景

• LRU缓存淘汰算法
  使用双向链表存储数据, 链表中每个结点包含数据(data), 前驱指针(prev), 后继指针(next), 和hnext
  使用链表法解决的散列表, 包含两条链, 一条双向链表, 一条散列表的拉链
  可实现O(1)时间复杂度内完成插入删除查找操作
• java LinkeHashMap
  支持按照插入顺序遍历数据, 和按照访问顺序遍历数据
  链表结合散列表, 原理和LRU一样, Linked指的是双向链表

两者结合, 散列表提供快速的插入删除查找, 链表提供有序

小结

工业级散列表应该具有哪些特性
支持快速查询, 插入, 删除操作
内存占用合理, 不浪费过多的内存空间
性能稳定, 极端情况下散列表的性能也不会退化到无法接受的情况

课后思考

10w条url访问日志, 按照访问次数排序 (todo)
两个10w条字符串的数组, 快速找出两个数组中相同的字符串 (todo)