背景
● 在使⽤word⽂档时,word如何判断某个单词是否拼写正确?
● ⽹络爬⾍程序,怎么让它不去爬相同的url⻚⾯?允许有误差
● 垃圾邮件(短信)过滤算法如何设计?允许有误差
● 公安办案时,如何判断某嫌疑⼈是否在⽹逃名单中?控制误差 假阳率
● 缓存穿透问题如何解决?允许有误差
需求
从海量数据中查询某字符串是否存在,在常用数据结构的树下构建此类“海量数据”检索是不合适的,由于树对于key的存储会消耗大量内存,会导致查询速度非常慢。
拓展
● c++标准库(STL)中的set和map结构都是采⽤红⿊树实现的,它增删改查的时间复杂度是O ( l o g 2 N )。set和map的关键区别是set不存储val字段
优点:存储效率⾼,访问速度⾼效
缺点:对于数据量⼤且查询字符串⽐较⻓且查询字符串相似时将会是噩梦
概念引入 -> 散列表 hashtable
散列表构成:数组+hash函数。根据 key 计算 key 在表中的位置的数据结构,是 key 和其所在
存储地址的映射关系。通过将字符串进行hash函数运算生成一个整数再映射到数组中,时间复杂度为O(1)。
注意:散列表的节点中 kv 是存储在一起的
struct node {
void *key;
void *val;
struct node *next;
};
拓展
● c++标准库(STL)中的unordered_map<string, bool>是采⽤hashtable实现的。
● hashtable中节点存储了key和val,hashtable并没有要求key的⼤⼩顺序,我们同样可以修改代码让插⼊存在的数据变成修改操作
优点:访问速度更快;不需要进⾏字符串⽐较
缺点:需要引⼊策略避免冲突,存储效率不⾼;空间换时间
概念引入 -> hash函数
hash函数作用: 避免对字符串进行比较,直接将hash函数计算出来的值存放在数组中。
hash冲突(hash 碰撞): hash 函数可能会把两个或两个以上的不同 key 映射到同一地址
负载因子: 用来形容散列表的存储密度。数组存储元素的个数 / 数据长度;负载因子越小,冲突越小,负载因子越大,冲突越大。
如何选取hash函数?
1. 选取计算速度快
2. 强随机分布(等概率、均匀地分布在整个地址空间)
murmurhash1,mu