算法：哈希表的设计

散列函数（哈希函数）

实际上，散列函数也是哈希算法的一种应用。

• 散列函数是设计一个散列表（也叫做哈希表）的关键。它直接决定了散列冲突的概率和散列表的性能。
  • 不过，相对哈希算法的其他应用，散列函数对于散列算法冲突的要求要低很多。
  • 即便出现个别散列冲突，只要不是过于严重，我们都可以通过开放寻址法或者链表法解决。
• 不仅如此，散列函数对于散列算法计算得到的值，是否能反向解密也并不关心。
  • 散列函数中用到的散列算法，更加关注散列后的值是否能平均分布，也就是，一组数据是否能均匀地散列在各个槽中。
  • 除此之外，散列函数执行的快慢，也会影响散列表的性能，所以，散列函数用的散列算法一般都比较简单，比较追求效率。

实现哈希算法的函数叫做哈希函数，可以用f(in) = out表示

举个例子：

哈希函数应该有如下特性：

• 输入参数in，其值域范围可以看作是无穷大的。
• 输出函数out，其值域范围可能性很大，但是一定是有穷尽的
• 哈希函数没有任何随机的机制，固定的输入一定是固定的输出
• 输入无穷多但是输出值有限，所以不同的输入可能有相同的输出（哈希碰撞）
• 再相似的不同输入，得到的输出值，会几乎均匀的分布在out域上
  
  

推论：相似字符串，经过f(str1)输出一个0~2^{128}-1中的一个数，经过%10之后，在0~9上还是均匀分布的

解决哈希冲突

开放寻址法

发生冲突，继续寻找下一块未被占用的存储地址。常见的实现方法有如下三种：

（1）线性探测（Linear Probing）（最好O(1)；最坏情况下的时间复杂度为 O(n)）

• 插入：如果某个数据经过散列函数散列之后，存储位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。
• 查找：过程和插入一样，找到对应数组下标后，对比x与数组中存储的值是否相等，若不等则依次往后查找…
  
• 删除：删除的元素，特殊标记为 deleted。当线性探测查找的时候，遇到标记为 deleted 的空间，并不是停下来，而是继续往下探测。
  

(2）二次探测（Quadratic probing）

和线性探测（Linear Probing）类似，只不过每次步长为冲突下标的平方（i^2）。

（3）双重散列（Double hashing）

所谓双重散列，意思就是不仅要使用一个散列函数。我们使用一组散列函数 hash1(key)，hash2(key)，hash3(key)……我们先用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，依次类推，直到找到空闲的存储位置。

拉链法

散列表中，每个“桶（bucket）”或者“槽（slot）”会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中：

• 当hash冲突不严重的时候，查找某个键，只需要求hash值，然后取余，定位到数组的某个下标即可，时间复杂度为O(1)
• 当hash冲突十分严重的时候，即使负载因子和散列函数设计得再合理，也免不了会出现拉链过长的情况，即使定位到数组的某个下标，也要遍历一条很长很长的链表，就退化为查找链表了。时间复杂度为O(n)

怎么解决呢？

• 到了一定时候就扩容。什么时候是一定时候呢？
  • 用一个装载因子来衡量
  • 我们知道，当散列表中数组空闲位置不多的时候，散列冲突的概率会大大提高
  • 装载因子 = 填入数组的元素个数/数组长度
  • 装载因子越大，说明空闲位置越少，冲突越多，散列表的性能会下降。当装载因子超过某个值时，就扩容数组。
• 将链表转换为其他结构。比如，在java中的hashmap中：
  • 当链表长度太长（默认超过 8）时，链表就转换为红黑树。我们可以利用红黑树快速增删改查的特点，提高 HashMap 的性能。
  • 当红黑树结点个数少于 6个的时候，又会将红黑树转化为链表。因为在数据量较小的情况下，红黑树要维护平衡，比起链表来，性能上的优势并不明显。

开放寻址法 VS 链表法

Java 中 LinkedHashMap 就采用了链表法解决冲突，ThreadLocalMap 是通过线性探测的开放寻址法来解决冲突。

开放寻址法

• 优点：开放寻址法不像链表法，需要拉很多链表。散列表中的数据都存储在数组中，可以有效地利用 CPU 缓存加快查询速度。而且，这种方法实现的散列表，序列化起来比较简单。链表法包含指针，序列化起来就没那么容易。
• 缺点：开放寻址法解决冲突的散列表，删除数据的时候比较麻烦，需要特殊标记已经删除掉的数据。而且，在开放寻址法中，所有的数据都存储在一个数组中，比起链表法来说，冲突的代价更高。所以，使用开放寻址法解决冲突的散列表，装载因子的上限不能太大。这也导致这种方法比链表法更浪费内存空间。

当数据量比较小、装载因子小的时候，适合采用开放寻址法。 这也是 Java 中的ThreadLocalMap使用开放寻址法解决散列冲突的原因。

链表法

• 首先，链表法对内存的利用率比开放寻址法要高。因为链表结点可以在需要的时候再创建，并不需要像开放寻址法那样事先申请好。
• 对于链表法来说，只要散列函数的值随机均匀，即便装载因子变成 10，也就是链表的长度变长了而已，虽然查找效率有所下降，但是比起顺序查找还是快很多。
• 链表因为要存储指针，所以对于比较小的对象的存储，是比较消耗内存的，(如果我们存储的是大对象，也就是说要存储的对象的大小远远大于一个指针的大小（4 个字节或者 8 个字节），那链表中指针的内存消耗在大对象面前就可以忽略)，还有可能会让内存的消耗翻倍。而且，因为链表中的结点是零散分布在内存中的，不是连续的，所以对 CPU 缓存是不友好的，这方面对于执行效率也有一定的影响。
• 实现一个更加高效的散列表。那就是，我们将链表法中的链表改造为其他高效的动态数据结构，比如跳表、红黑树。这样，即便出现散列冲突，极端情况下，所有的数据都散列到同一个桶内，那最终退化成的散列表的查找时间也只不过是 O(logn)。这样也就有效避免了散列碰撞攻击。

基于链表的散列冲突处理方法比较适合存储大对象、大数据量的散列表，而且，比起开放寻址法，它更加灵活，支持更多的优化策略，比如用红黑树代替链表。

设计实现哈希表

为什么要有哈希表（也叫做散列表，hashtable）这一数据结构，它是用来解决什么问题的。

在讨论哈希表之前，我们先大概了解下其他数据结构在新增，查找等基础操作执行性能

• 数组：采用一段连续的存储单元来存储数据。对于指定下标的查找，时间复杂度为O(1)；通过给定值进行查找，需要遍历数组，逐一比对给定关键字和数组元素，时间复杂度为O(n)，当然，对于有序数组，则可采用二分查找，插值查找，斐波那契查找等方式，可将查找复杂度提高为O(logn)；对于一般的插入删除操作，涉及到数组元素的移动，其平均复杂度也为O(n)
• 线性链表：对于链表的新增，删除等操作（在找到指定操作位置后），仅需处理结点间的引用即可，时间复杂度为O(1)，而查找操作需要遍历链表逐一进行比对，复杂度为O(n)
• 二叉树：对一棵相对平衡的有序二叉树，对其进行插入，查找，删除等操作，平均复杂度均为O(logn)。
• 哈希表：相比上述几种数据结构，在哈希表中进行添加，删除，查找等操作，性能十分之高，不考虑哈希冲突的情况下（后面会探讨下哈希冲突的情况），仅需一次定位即可完成，时间复杂度为O(1)

可以看出，哈希表是用来进行快速查找的。

设计实现哈希表

哈希表底层一定是数组。

• 我们知道，数据结构的物理存储结构只有两种：顺序存储结构和链式存储结构（像栈，队列，树，图等是从逻辑结构去抽象的，映射到内存中，也这两种物理组织形式）
• 在数组中根据下标查找某个元素，一次定位就可以达到，哈希表利用了这种特性，哈希表的主干就是数组。

比如我们要新增或查找某个元素，我们通过把当前元素的关键字 通过哈希函数映射到数组中的某个位置，通过数组下标一次定位就可完成操作。

第一步：申请一个数组，用来做哈希表

问题：数组的长度应该如何选择？

比如HashMap中，默认的初始大小是16。这个默认值是可以设置的，如果事先知道大概的数据量有多大，可以通过修改默认初始大小，减少动态扩容的次数。

第二步：选择哈希函数，通过哈希函数可以获得hash值

哈希函数的作用：

• 根据key获取hash值

哈希函数怎么设计？

• 散列函数的设计不能太复杂。过于复杂的散列函数，势必会消耗很多计算时间，也就间接地影响到散列表的性能。
• 散列函数生成的值要尽可能随机并且均匀分布，这样才能避免或者最小化散列冲突，而且即便出现冲突，散列到每个槽里的数据也会比较平均，不会出现某个槽内数据特别多的情况。

比如：

• 处理手机号码，因为手机号码前几位重复的可能性很大，但是后面几位就比较随机，（因为随机，所以会分布比较均匀）我们可以取手机号的后四位作为散列值。这种散列函数的设计方法，我们一般叫做“数据分析法”。

第三步：根据hash值映射到哈希数组，得到数组索引

数组寻址（存储位置 = hash(关键字)）：

• 拿到哈希值之后，我们要将这个值映射到数组的某一个空间，也就是进行数组寻址
• 如果数组的长度为len，那么index = hash % len，得到了一个索引

总的过程：先通过哈希函数计算出实际存储地址，然后去对应数组中进行操作

第三步：检测是否出现哈希冲突

然而万事无完美，如果两个不同的元素，通过哈希函数得出的实际存储地址相同怎么办？也就是说，当我们对某个元素进行哈希运算，得到一个存储地址，然后要进行插入的时候，发现已经被其他元素占用了，其实这就是所谓的哈希冲突，也叫哈希碰撞。

得到索引后，去索引出找这个位置是否已经被占用了。

• 如果没有：
  • 查询、删除操作：说明这个找不到这个数，直接返回
  • 插入、修改操作： hashtable[idx] = val
• 如果有：
  • 查询操作：说明找到了，直接返回
  • 删除操作： hashtable[idx] = null
  • 修改操作：hashtable[idx] = newVal
  • 插入操作：说明出现了哈希冲突。

出现了哈希冲突怎么办？

• 检测装载因子，如果发现装载因子 < 阈值，那么直接插入
• 检测装载因子，如果发现装载因子 >= 阈值，进行哈希扩容

阈值应该怎么设置？

• java的hashmap，最大装载因子默认是 0.75，当 HashMap 中元素个数超过 0.75*capacity（capacity 表示散列表的容量）的时候，就会启动扩容，每次扩容都会扩容为原来的两倍大小。

第四步：哈希扩容

为避免低效扩容：

• 当装载因子达到阈值之后，我们只申请新空间，但并不将老的数据搬移到新散列表中
• 当有新数据要插入时，我们将新数据插入到新散列表中，并从老的散列表中拿出一个数据放入到新散列表中。每次插入一个数据到散列表，我们都重复上面的过程。经过多次插入操作之后，老的散列表中的数据就一点一点全部搬移到新散列表中了。
• 这期间的查询操作怎么来做呢？对于查询操作，为了兼容新、老散列表中的数据，我们先从新散列表中查找。如果没有找到，再去老的散列表中查找

将一次性扩容的代价，均摊到多次插入操作中：任何情况下，插入一个数据的时间复杂度都是 O(1)。