数据结构精讲：从原理到实战–学习笔记04

数据结构精讲：从原理到实战–学习笔记04

本笔记是记录学习 《数据结构精讲：从原理到实战》，作者是：蔡元楠，Google Brain资深工程师。

如有侵权，联系删除！

哈希表与哈希函数

哈希表，其实本质上是一个数组。哈希函数的定义是将任意长度的一个对象映射到一个固定长度的值上，而这个值我们可以称作是哈希值（Hash Value）。

哈希函数一般会有以下三个特性：

• 任何对象作为哈希函数的输入都可以得到一个相应的哈希值；

• 两个相同的对象作为哈希函数的输入，它们总会得到一样的哈希值；

• 两个不同的对象作为哈希函数的输入，它们不一定会得到不同的哈希值。

按照 Java String 类里的哈希函数公式（即下面的公式）来计算出不同字符串的哈希值。String 类里的哈希函数是通过 hashCode 函数来实现的，这里假设哈希函数的字符串输入为 s，所有的字符串都会通过以下公式来生成一个哈希值：

在什么样的情况下会体现出哈希函数的第三种特性呢？我们再来看看下面这个例子。现在我们想要计算字符串 “Aa” 和 “BB” 的哈希值，还是继续套用上面的的公式。

“Aa” 的哈希值为：

"Aa" = 'A' * 31 + 'a' = 65 * 31 + 97 = 2112

“BB” 的哈希值为：

"BB" = 'B' * 31 + 'B' = 66 * 31 + 66 = 2112

可以看到，不同的两个字符串其实是会输出相同的哈希值出来的，这时候就会造成哈希碰撞

需要注意的是，虽然 hashCode 的算法里都是加法，但是算出来的哈希值有可能会是一个负数。
我们都知道，在计算机里，一个 32 位 int 类型的整数里最高位如果是 0 则表示这个数是非负数，如果是 1 则表示是负数。
如果当字符串通过计算算出的哈希值大于 232-1 时，也就是大于 32 位整数所能表达的最大正整数了，则会造成溢出，此时哈希值就变为负数了。

hashCode 函数中的“魔数”（Magic Number）

细心的你一定发现了，上面所讲到的 Java String 类里的 hashCode 函数，一直在使用一个 31 这样的正整数来进行计算，这是为什么呢？下面一起来研究一下 Java Openjdk-jdk11 中 String.java 的源码（源码链接），看看这么做有什么好处。

public int hashCode() {
    int h = hash;
    if (h == 0 && value.length > 0) {
        hash = h = isLatin1() ? StringLatin1.hashCode(value)
                              : StringUTF16.hashCode(value);
    }
    return h;

可以看到，String 类的 hashCode 函数依赖于 StringLatin1 和 StringUTF16 类的具体实现。而 StringLatin1 类中的 hashCode 函数（源码链接）和 StringUTF16 类中的 hashCode 函数（源码链接）所表达的算法其实是一致的。

StringLatin1 类中的 hashCode 函数如下面所示：

public static int hashCode(byte[] value) {
    int h = 0;
    for (byte v : value) {
        h = 31 * h + (v & 0xff);
    }
    return h

StringUTF16 类中的 hashCode 函数如下面所示：

public static int hashCode(byte[] value) {
    int h = 0;
    int length = value.length >> 1;
    for (int i = 0; i < length; i++) {
        h = 31 * h + getChar(value, i);
    }
    return h

一个好的哈希函数算法都希望尽可能地减少生成出来的哈希值会造成哈希碰撞的情况。

Goodrich 和 Tamassia 这两位计算机科学家曾经做过一个实验，他们对超过 50000 个英文单词进行了哈希值运算，并使用常数 31、33、37、39 和 41 作为乘数因子，每个常数所算出的哈希值碰撞的次数都小于 7 个。但是最终选择 31 还是有着另外几个原因。

从数学的角度来说，选择一个质数（Prime Number）作为乘数因子可以让哈希碰撞减少。其次，我们可以看到在上面的两个 hashCode 源码中，都有着一条 31 * h 的语句，这条语句在 JVM 中其实都可以被自动优化成“(h << 5) - h”这样一条位运算加上一个减法指令，而不必执行乘法指令了，这样可以大大提高运算哈希函数的效率。

所以最终 31 这个乘数因子就被一直保留下来了。