最基础的数据结构(转自程序员杂志)

任何一个受过专业训练的程序员，对 “ 数据结构 ” 这门课程中涉及到的各种数据结构都不会感到陌生。但是，在实际的编程工作中，大部分的数据结构都不会用到，而且也许永远都不会用到。造成这种现象的原因有二：一是根据 80/20 法则，常用的数据结构只会占到少部分；二是计算机语言往往已经对常用的数据结构进行了良好的封装，程序员不需要关心内部的实现。
　　 虽然如此，深入地理解基本数据结构的概念和实现细节，仍然是每一个程序员的任务。这不仅是因为，掌握这些知识，将有利于更加正确和灵活地应用它们，而且也是因为，对于语言背后的实现细节的求知欲，是一个优秀的程序员的素质。
　　 本文将讨论实际编程最经常使用的三种数据结构：字符串、数组和 Hash 表，比较它们在不同语言中的实现思路，并涉及它们的使用技巧。
　　
　　字符串
　　 严格地说，字符串（ string ）甚至不能算作一种单独的数据结构，至少在 C 语言中，它仅仅是某种特定类型的数组而已。但是，字符串在实际使用中是如此重要，在不同语言中的实现又差异颇大，因此，它值得被作为一种抽象数据类型单独进行讨论，并且在我们讨论的三种结构中排名第一。
　　 最经典的字符串实现，应该是 C 语言中的零终结 (null-terminated) 字符串。如上所述， C 风格的字符串实质上是一个字符数组，它依次存放字符串中的每个字符，最后以零字符（ ’\0’ ，表示为常量 null ）作为结束。因此，字符串占据的空间比它实际的长度要多 1 个单元。在实际应用中，它常以数组或字符指针的形式被定义，如下例：
　　
　　 char[] message = “this is a message”;
　　 char* pmessage = “an other message”;
　　
　　 C 语言中，字符串并不是一种独立的数据类型，也没有提供将字符串作为一个整体进行处理的运算符。对字符串的所有操作，实际上都是通过对字符数组的操作来完成。
　　 试想一个函数，功能是求 C 风格字符串的长度。实现的思路是：设置一个计数器，然后用一个指针遍历整个字符数组，同时对计数器进行累加，直到字符串结束（指针指向了 null ）。实际上， C 语言中的 strlen 函数也是这么实现的。这种方式看上去非常合理，但是在处理一个非常大的字符数组时，会遭遇到严重的性能问题。如果一个字符串长达数 M 甚至更大，那么求其长度的操作，需要执行数百万次甚至更长的循环。更糟糕的是，由于这个结果没有被缓存，所以每次求长度的操作都会重复执行这些循环。
　　 C 风格字符串的另一个缺陷是，它不会自动管理内存。这意味着，如果字符串的长度超出了数组能够容纳的范围，程序员必须手动申请新的内存空间，并将原来的内容复制过去。这种方式不但产生了大量无谓的工作，而且是无数臭名昭著的溢出漏洞的原因。一个最简单的例子是，当一个程序要求用户输入一个字符串时，如果用户输入的字符串的长度大于程序设定的缓冲区的长度，将会导致溢出，最终程序会崩溃。
　　 针对 C 风格字符串的这些缺陷，新的语言进行了相应的改进。作为 C 的直接继承者， C++ 语言在标准库中提供了一个基础字符串的实现： std :: basic_string 。它封装了大量常见的操作，例如取长度、比较、插入、拼接、查找、替换等等，并且能够自动管理内存。例如，由于 C++ 支持运算符重载，因此 C++ 字符串可以使用运算符直接进行运算，而不需要调用 strcpy 函数。另外， C++ 字符串也提供了与 C 风格字符串进行转换的功能。基于强大的模板机制， C++ 字符串将字符串的实现和具体的字符类型分离开来了。下面是两种最常见的字符串类型：
　　
　　 typedef basic_string<char> string; // 定义了 ansi 类型的字符串
　　 typedef basic_string<wchar_t> wstring; // 定义了宽字符类型的字符串
　　
　　 不幸的是，由于复杂的历史原因，许多 C++ 方言（例如 Visual C++ 和 Borland C++Builder ）都提供了与标准字符串不同的字符串实现。这些字符串实现各有长处，但是将它们和 C++ 标准字符串以及 C 风格字符串进行转换，又成为了一项令人头疼的工作。
　　 Delphi 对字符串的改进基于另外一种思路。在 Delphi 中，字符串仍然是一种基本类型，而不是类。它的实现方式也是字符数组，不同于 C 风格字符串的是，在数组的头部增加了两个 32 位整数存储空间，分别用于存放字符串的长度和引用计数。通过前者可以方便地获得字符串的长度，而不需要进行无谓的遍历操作。后者实现了 COW （ Copy on Write ）技术，这种技术的效果是：当字符串被复制时，并不会复制其内容，而只是建立一个新的指针，指向原有的字符串，并在引用计数上加一。当字符串被删除时，引用计数减一，当引用计数为 0 时，字符串的内存将被释放。只有当对字符串进行写入操作时，才会建立一个新的字符串并复制内容。这些工作是由编译器自动完成的，程序员完全可以象使用 C 风格字符串一样使用 Delphi 风格的字符串，只是效率大大地提高了。
　　 Java 和 C# 中的字符串，是一个封装了常见操作的类，这一点和 C++ 类似。一个特殊之处（往往导致经典的性能问题）是，无论是在 Java 还是在 C# 中， String 类都是不变 (immutable) 的。也就是说， String 的内容不能够被改变，如果代码试图改变一个 String 对象的内容，实际的结果是建立了一个新的 String 对象，并抛弃旧的对象。如下例：
　　
　　 String s = "";
　　 for (int i = 0;i < 10000;i++) {
　　 s += i + ", ";
　　 }
　　
　　 结果是建立并抛弃了 10000 个 String 对象，这在性能上的开销是惊人的。为了避免这种情况，应该使用 StringBuilder 对象，它可以改变其内容。（ C# 一直使用 StringBuilder 。 Java 从 1.5 开始引入 StringBuilder 以部分替代 StringBuffer ，它们的主要区别在于线程安全性。）如下例：
　　
　　 StringBuilder sb = new StringBuilder();
　　 for (int i = 0; i < 10000; i++) {
　　 sb.append(i + ",");
　　 }
　　
　　数组
　　 从抽象数据类型的意义上来说，一维数组 (array) 的定义是：具有相同数据类型的若干个元素的有限序列。
　　 在 C 语言中，数组意味着一块连续的内存空间，按顺序存放着若干个相同数据类型的元素。可以通过下标来访问数组中的元素。如下例：
　　
　　 int a[10]; // 定义一个 int 型的数组
　　 for (int i = 0;i < 10;i++) {
　　 a[i] = i; // 赋值
　　 }
　　
　　 在 C 语言中，数组名事实上是一个指针（指向该数组的第一个元素），因此所有通过数组下标完成的操作，都可以通过指针来完成。通过指针来访问数组，效率上比数组下标要高，而且更加灵活，例如，指针可以进行偏移量的运算，甚至可以进行绝对地址的存取。
　　 C 语言中的数组没有越界检查，这意味着，程序员可以访问数组最后一个元素以后的地址，或者第一个元素之前的地址（例如， a[-1] 、 a[-2] 这种形式是合法的）。在某些情况下，这是一种有用的技巧，但大多数情况下是一场灾难。 C 语言的数组也不支持自动增长，如果数组的长度发生了变化，程序员必须手动处理所有关于申请和释放内存的工作。
　　 C++ 提供了 C 风格的数组，同样不支持越界检查和自动增长。但是， C++ （至少是 Stroustrup 博士本人）建议，应该尽量使用 STL 中的容器作为替代品，一般是 vector 。 Vector 基于面向对象和模板技术，构建了一个强大而复杂的类，实现了如下特性：高效率的自动内存管理；按任何顺序访问、插入和删除元素；越界检查，但同时也提供了不进行检查的访问方式，以照顾性能上的考虑；基于运算符重载技术的运算符支持；基于迭代器的漫游机制；与数据类型无关的算法支持；等等。相对于 C 风格的数组， vector 是一种更高抽象层次上的序列概念。它对大量常用的功能进行了封装（例如，对内存的直接操作），同时又尽可能地照顾了效率和可移植性（例如，在自动扩充时通过缓存机制来提高效率）。这也正是 C++ 语言对 C 语言进行改进时的指导思想。
　　 Delphi 也支持 C 风格的数组，但提供了越界检查。另外， Delphi 还提供了一种动态数组（ Dynamic Array ），可以在运行时通过 SetLength 函数动态地改变它的大小。事实上， SetLength 函数就是对内存管理操作的一种封装。类似于 C++ 中的 vector ， Delphi 也提供了两个可以自动增长的容器： TList 和 TObjectList ，前者用于存放无类型的指针，后者用于存放对象。由于 Delphi 不支持模板机制，所以 TList 不会自动释放指针所指向的内存，它只会维护指针自身占用的内存（ TObjectList 能够在销毁时自动释放元素所占用的空间，如果它的 OwnsObjects 属性被设置为 True 的话）。一种常用的解决方法是，编写一个针对具体类型的包裹类，使用一个作为私有数据成员的 TList 对象来管理指针，并手动编写申请和释放内存的那部分代码。这样总比 C 语言中的情况要好得多。
　　 Java 也支持加上了越界检查的 C 风格数组，但它提供的类似容器更为引人注目。 Java 将序列（ List ）作为一个单独的接口提取出来，并提供了两个实现： ArrayList 和 LinkedList 。从名字就可以看出来，前者是通过数组来实现的，后者则通过链表。由于都实现了 List 接口，二者可以支持同样的基本操作方式，不同的是， ArrayList 在频繁进行随机访问时有效率上的优势，而 LinkedList 在频繁进行插入和删除操作时效率较优。实现了 List 接口的类还有 Vector 和 Stack ，但是它们在 Java 1.1 以后就被废弃了。由于 LinkedList 可以在序列的头尾插入和删除元素，它可以很好地实现 Stack 和 Queue 的功能。
　　 Java 在 1.5 以前的版本中也不支持模板，因此 List （以及其他的容器）接受 Object 类型作为元素。由于在 Java 中所有的类都派生自 Object ，所以这些容器能够支持任何对象。对于不是对象的基本类型， Java 提供了一种包裹类 (wrapped class) ，它能够将基本类型转换成常规的类，从而获得容器的支持。这和 Delphi 的解决思路异曲同工。
　　
　　 Hash 表
　　 作为一种抽象数据结构，词典（ Dictionary ）被定义为键 - 值 (Key-Value) 对的集合。举例来说，在电话号码簿中，通过查找姓名，来找到电话号码，这个例子中姓名是 key ，电话号码是 value 。又比如，在学生花名册中，通过查找学号，来找到学生的姓名，这个例子中学号是 key ，学生的姓名是 value 。词典最常见的实现方式是 Hash 表。
　　 Hash 表的实现思路如下：通过某种算法，在键 - 值对的存储地址和键 - 值对中的 key 之间，建立一种映射，使得每一个 key ，都有一个确定的存储地址与之对应。这种算法被封装在 Hash 函数中。在查找时，通过 Hash 函数，算出和 key 对应的存储地址，从而找到相应的键 - 值对。相对于通过遍历整个键 - 值对列表来进行查找， Hash 表的查找效率要高得多，理想的情况下算法复杂度仅为 O(1) （遍历查找的复杂度为 O(n) ）。
　　但是，由于通常情况下 key 的集合比键 - 值对存储地址的集合要大得多，所以有可能把不同的 key 映射到同一个存储地址上。这种情况称为冲突（ collision ）。一个好的 Hash 函数应该尽可能地把 key 映射到均匀的地址空间中，以减少冲突。 Hash 表的实现也应该提供解决冲突的方案。
　　 Hash 表是一种相对复杂得多的数据结构，从底层完整地实现一个 Hash 表，也许超出了对一个普通程序员的要求。但是，由于它是如此重要，了解 Hash 表的概念和掌握使用它的接口，仍然是一项必不可少的技能。
　　 C 语言中没有提供现成的 Hash 表，但是 C++ 提供了优秀的 Hash 表实现容器 hash_map 。象 STL 中的其他容器一样， hash_map 支持任何数据类型，支持内存自动管理，能够自动增长。特别地， hash_map 通过模板机制，实现了和 hash 函数的剥离，也就是说，程序员可以定义自己的 hash 函数，交给 hash_map 去进行相应的工作。如下例：
　　
　　 hash_map <string, int> hml; // 使用默认的 Hash<string> 函数
　　 hash_map <string, int, hfct> hml; // 使用自定义的 hfct() 作为 hash 函数
　　 hash_map <string, int, hfct, eql> hml; // 使用自定义的 hfct() 作为 hash 函数，并且使用自定义的 eql() 函数比较对象是否相等
　　
　　 Java 定义了 Map 接口，抽象了关于 Map 的各种操作。在实现了 Map 接口的类中，有两种是 Hash 表： HashMap 和 WeakHashMap （ HashTable 在 Java 1.1 以后已被废弃）。后者用于实现所谓 “ 标准映射 ” （ canonicalizing mappings ），和本文讨论的内容关系不大。 HashMap 接受任何类型的对象作为键 - 值对的元素，支持快速的查找。如下例：
　　
　　 HashMap hm = new HashMap();
　　 hm.put("akey", "this is a word"); // 使用两个字符串作为键 - 值对
　　 String str = (String) hm.get("akey");
　　 System.out.println(str);
　　
　　 HashMap 和 hash 函数也是剥离的，但使用了另一种思路。在 Java 中，根类型 Object 定义了 hashCode() 和 equals() 方法，由于任何类型的对象都派生自 Object ，所以它们都自动继承了这两个方法。用户自定义的类应该重载这两个方法，以实现自己的 hash 函数和比较函数。如果这两个函数没有被重载， Java 会使用 Object 的 hashCode() 和 equals() 方法，它们的默认实现分别是返回对象的地址，以及比较两个对象的地址是否相等。
　　在 PHP 中，数组和 Hash 表合而为一了。从语法上看， PHP 中并没有 Hash 表这样的容器，而只支持数组。不同的是， PHP 中的数组不但支持使用数字下标进行索引，而且支持使用字符串下标进行索引。换句话说， PHP 中的数组支持使用键 - 值对作为数组的元素，并且可以使用键来进行索引 ( 键必须为 integer 类型或 string 类型 ) 。而且， PHP 中的数组支持自动增长和嵌套。如下例：
　　
　　 $arr = array(1 => 12, "akey" => "this is a word");
　　 echo $arr[1]; // 得到 12
　　 echo $arr["akey"]; // 得到 "this is a word"
　　
　　 PHP 没有提供自定义 hash 函数的接口。由于它不接受 integer 和 string 以外的类型作为键，这一点事实上也没有必要。
　　
　　结束语
　　 当接受这篇文章的约稿时，我认为这是一项比较简单的工作。因为这三种数据结构实在是太基础了，所以我甚至怀疑是否能够写出足够长的篇幅。很快我就发现了自己的错误。光是字符串就够写一本书的。
　　 在撰写本文的过程，我回顾了学习过的大部分编程语言，重温了许多经典书籍中的相关章节，启动了各种 IDE 编写测试用例。我接触到了大量未知的领域，至今我仍然在猜测许多问题的实现细节。这从另外一个方面说明了基本数据结构的重要性：即使在我们最熟悉的事物中，也隐藏着极为深刻的原理。
　　
　　参考文献：
　　 K&R ， C 程序设计语言，第二版
　　 Bjarne Stroustrup ， C++ 程序设计语言，第三版
　　 Koenig & Moo ， C++ 沉思录
　　 Delphi Language Guide
　　 Bruce Eckel ， Thinking in Java ，第二版
　　 McLaughlin & Flanagan ， Java 5.0 Tiger 程序高手秘笈
　　 Jesse Liberty ， Programming C#
　　 W. Gilmore ， PHP 与 MySQL 5 程序设计
　　 Lutz & David Ascher ， Learning Python ，第二版
　　 Alex Martelli ， Python in a Nutshell ，第二版
　　 Introduction to Algorithms ，第二版
　　殷人昆等，数据结构（用面向对象和 C++ 描述）
　　 Joel Spolsky ， Joel 说软件

转载于:https://www.cnblogs.com/hya1109/archive/2008/03/07/1095821.html