PHP中HASH函数的优化技巧

2019独角兽企业重金招聘Python工程师标准>>>

Hash数据结构是一种非常常见的数据结构，作为一个程序员，你可能每天都在和它接触， 尽管很多时候你可能没有意识到。Hash在PHP内核中扮演了非常重要的角色，数组、变量作用域、函数参数列表等均是基于Hash实现。所以，在PHP里你能看到各种对于Hash的优化。

Hash数据结构

Hash数据结构，本质上为了解决计算机中真正意义的数组只能使用数字作为索引，而程序员却经常需要使用字符串或者其他更复杂的类型来作为数组key的问题。首先我们需要一个函数能把字符串转成数字。然后，由于数组的长度有限，我们还需要把这个数字映射到数组长度的区间里，一般使用取模操作。最后， 如果两个字符串最终计算出来的Hash值一样，将保存到数组相同的位置上，这种情况叫做Hash冲突。解决冲突的常见办法之一就是拉链法， 就是将Hash冲突的数据维护在一个链表里； 另一种比较常见的解决冲突的办法叫开放寻址。下图所示是一个典型的Hash结构：

Hash函数的最优情况是，将key平均分布在数组空间中， 这样能获得最大的性能。最坏的情况是完全冲突，这个时候Hash表事实上已经退化为一个链表。前几年比较火的Hash攻击事实上就是构造大量的冲突key，使PHP的POST数组退化为链表，从而耗尽服务器的CPU资源。

因此我们可以得出一个结论， 一个优秀的hash函数应该符合两点：足够随机分布，足够快。

DJB2算法

PHP内核中的hash函数（http://www.cse.yorku.ca/~oz/hash.html）采用的是经典的djb2算法，源码为：

关于这个算法背后其实有很复杂的数学证明，我曾经看到过一篇文章给出了完整证明，受限于数学水平这里我只能从工程的角度来简单说一下结论：

1. 奇数和素数能比偶数得到更随机的结果，所以可以看到hash函数里使用的是5381和33两个数。

2. 为什么是5381？在这个讨论里（https://groups.google.com/forum/#!topic/comp.lang.c/lSKWXiuNOAk）谈到采用一个比255大而又不是特别大的素数都可以，djb2的作者也参与了讨论，他在讨论里说他选择了5381，只是因为5381符合这个条件， 并没有其他特殊的原因。

3. 为什么是33？其实有很多数都可以，采用33是因为n*33可以优化为n << 5 + n，可以把一个耗时的乘法操作优化为移位操作，毕竟hash函数的效率是非常重要的。

我们看下PHP内核中的Hash函数实现：

可以看出来PHP采用的就是djb2算法，但是似乎和经典的djb2算法有些差距。其实是PHP内核开发者对这个函数做了进一步的优化。

达夫设备

达夫设备（https://zh.wikipedia.org/wiki/%E8%BE%BE%E5%A4%AB%E8%AE%BE%E5%A4%87）的本质在于减少循环次数。考虑下面的代码：

这段代码的特点是非常简单，简单到循环本身就占用了大多数性能开销，因为每次循环都需要做累减和比较。因此减少循环次数反而成为了优化重点，这种情况在系统底层的内存复制的场景中经常出现。PHP中的Hash函数就采用了达夫设备这种技巧来优化， 循环次数减少为原来的1/8。

顺便说一句，实际上最早的达夫设备程序版本是这样的：

而且这段代码真的能编译通过。

取模优化

计算出来hash值之后我们需要把hash值映射到数组中， 比如hash值为15，数组a长度为10，15%10得到5， 最终保存在a[5]的位置上。但是取模操作在特定条件下是可以优化的。在PHP内核中，hash table的大小会设定为2的n次方。当数组大小为2的n次方时， hash % ht->nTableSize 可以优化为 hash & (ht->nTableSize - 1)，也就是把除法操作优化成了位操作。

结语

我们看到，一个简单的hash函数背后都蕴含了如此丰富的优化技巧，难怪都说PHP是世界上最好的语言 :) 。

转载于:https://my.oschina.net/rssidea/blog/539281