【数据结构】：一文帮你完全弄懂哈希(hash) , 并且帮你手搓std::unordered_map

详细讲解Hash以及如何通过C++实现Hash表

引言

如果是刚开始学习数据结构的读者在不了解Hash的时候，肯定觉得哈希是一种很高级，很复杂，很难实现的数据结构，但是错了，相对来说，哈希对比各种平衡二叉树，图结构来说，反而设计相当简单，并且不仅简单，查询数据的效率还是o(1)，杠杠的香数据结构，那么话不多说，线面我们就具体的谈谈Hash这个结构，或者说Hash这种思想。

什么是哈希

哈希又称为散列，是一种组织数据的方式。我们从散列的角度来理解，很多数据分散在数组中的各个位置，他们通过某种约定进行分布，使得我们在查找他们的时候能够迅速定位，这就是哈希的思想。

上面我们谈到了，数据通过某种约定分布在数组中， 下面我们详细塔谈这个约定。

哈希的本质就是通过约定组织数据

细谈约定

约定使我们事先商量好的一种共识，我们所有的数据通过这个约定进行组织。

直接定址法

这是最简单的一种利用约定组织数据的方式

比如说现在我有一个利用ASCII编码的字符串，现在我想要统计这个字符串中各种字符的个数，如果是你，你会怎么做？

如果是我，我会定义一个128大小的数组，每个字符的ASCII值代表一个位置。

// 现在我有一个std::string的buffer
int hash[128] = { 0 };
for(char i : buffer) hash[i]++;

你没看错这里的hash就是一个简单的hash表，我们这里的约定就是
ASCII码映射具体的位置。

哈希函数

哈希函数的就是我们的约定，上面那个问题的哈希函数就是
pos = (int)(ch) 对吧，这就是利用ASCII编码作为哈希函数。

一个好的哈希函数能够将数据均匀分布到数组中，但是显然想要设计一个通用的Hash函数，是很困难的。

• 1. 除法散列法 / 除留余数法

  当使⽤除法散列法时，要尽量避免M为某些值，如2的幂，10的幂等。如果是M，那么key % M
  本质相当于保留key的后X位，那么后x位相同的值，计算出的哈希值都是⼀样的，就冲突了。如：
  {63,31}看起来没有关联的值，如果M是16，也就是2^4，那么计算出的哈希值都是15，因为63的⼆
  进制后8位是00111111，31的⼆进制后8位是00011111。如果是 ，就更明显了，保留的都是
  10进值的后x位，如：{112,12312}，如果M是100，也就是10 ^ 2，那么计算出的哈希值都是12。

如果还想了解更多的方法，可以自行查阅。

冲突

我们想象的很美好，不是所有的情况都能够像上面ASCII映射一样一一对应，当然我们希望的场景就是一一对应，那么冲突是什么。冲突就是我们假定哈希函数为f (x),冲突就是当两个变量映射到同一个为止，即a != b, f(a) = f(b), 这就冲突的，哈希冲突很难保证不存在，所以合理降低冲突时程序员应该做的事情。

如何解决冲突

对于如何解决冲突，目前一般有两种主流的方式，一个叫做开放定制法, 一个叫做链地址法。

负载因子

负载因子就是我们当前的有效数据 和 总空间的的比值， 比如我们存入了3个数据，数组长度为5， 负载因子就是0.6 ，我们保证负载因子 < 0.7。

开放定制法

首先简单阐述一下什么是开放定制法， f(a) = pos , 如果pos这个位置已经存储了数据，我们就往后找，因为负载因子 < 1, 我们一定能够找到一个位置没有数据。

// 我们现在有一个数组 array 
// 存储新数据的逻辑
size_t pos = hash_function(data); // 通过哈希函数找到位置
if(status[pos] == busy) 
while(status[++pos] == busy);
// 找到空闲的位置
array[pos] = data;
status[pos] = busy;

但是聪明的计算机工程师，发现这样的解决方式还有优化的地方

探测的方式

• 1. 线性探测

  我们上面在移动的时候，默认都是移动一个单位，但是我们发现如果已经映射一个位置，探测的偏移量越来越大，显著影响我们插入的效率。

• 2. 二次探测
     二次探测的思想就是，我们每次移动 i ^ 2步，比如第一次移动1步，不行，移动4步，不行，移动9步，扩大步长可以减少冲突的效率。

下面就是更加重要，也是使用更多的解决哈希冲突的方式，链式法

从名称我们可以获取到一些思路，链式法就是我们每个位置存储的不是一个数据，而是一个链表，我们将相同Hash值的数据通过一个链表连接起来。

size_t pos = hash_function(data);
array[pos].push(pos);

缺点

可能因为大量的数据映射到同一个为止，导致一个链表过程，最终退化成一个链表的数据结构，这就需要我们通过优化哈希函数，降低冲突的情况。

细节

无论是，开放定址法还是链式哈希桶，当我们的大于负载因子的时候，都涉及到扩容的问题，扩容就设计到，将所有的数据提取出来，重新根据新的长度来通过哈希函数进行映射。

我自己手写的基于链式法的哈希设计思路

• github
• gitee

讲解代码逻辑

• 1. HashTable类：
     
  • table ： 存储hash表
  • size : 长度
  • harsh : 哈希函数（支持用户直接修改）
  • koft : 不用了解，一种模版设计技巧
• 2. 各种组件的定义，包括迭代器，指针，引用的重命名。
     
• 3. 可以看到，HashDataType里面存储的就是链表。
     
• 4. 插入的逻辑
     
• 5. 删除的逻辑
     

总结

以上就是哈希的原理和设计思路，因为这里我是写了一个访stl ，基于模版编写的容器，后面基于这个容器可以直接实现std::unordered_map, std::unordered_set, 如果还想进一步了解C++ 哈希的接口，可以直接去查看。
说了半天，hash的本质就是通过一种约定（哈希函数），将数据映射到数组的某个位置，但是在实际开发中，想要设计出好用的哈希哈数，还是需要各位计算机工程师继续研究。