目录
1.什么是哈希?
2.哈希冲突
3.哈希冲突解决方法
①闭散列
1.原理说明
2.代码实现
3.优缺点分析
4.二次探测
②开散列
1.原理说明
2.代码实现
③闭散列与开散列的比较
4.哈希的应用
①位图
②布隆过滤器
1.布隆过滤器概念
2.布隆过滤器的模拟实现
3.布隆过滤器的优缺点
③海量数据处理
1.哈希切割
2.位图应用
3.布隆过滤器
1.什么是哈希?
在顺序结构以及平衡树中,元素关键码与其存储位置之间没有对应的关系,因此在查找一个元素时,必须要经过关键码的多次比较。顺序查找时间复杂度为O(N),平衡树中为树的高度,即O(logN),搜索的效率取决于搜索过程中元素的比较次数。
那么我们理想的搜索方法是:可以不经过任何比较,一次直接从表中得到要搜索的元素。
如果构造一种存储结构,通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系,那么在查找时通过该函数可以很快找到该元素。
当向该结构中:
1. 插入元素
根据待插入元素的关键码,以此函数计算出该元素的存储位置并按此位置进行存放
2. 搜索元素
对元素的关键码进行同样的计算,把求得的函数值当做元素的存储位置,在结构中按此位置取元素比较,若关键码相等,则搜索成功
这种方式即为哈希(散列)方法,哈希方法中使用的转换函数称为哈希(散列)函数,构造出来的结构称为哈希表(Hash Table)(或者称散列表)
举个例子
2.哈希冲突
虽然上面的方法确实很快,但是当新插入的元素为44时就会出现一个问题:新的数据放哪?
对于两个数据元素的关键字Ki和Kj(i != j),有Ki != Kj,但有:Hash(Ki) == Hash(Kj),即:不同关键字通过相同哈希函数计算出相同的哈希地址,该种现象称为哈希冲突或哈希碰撞。
我们把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。
3.哈希冲突解决方法
那既然有了哈希冲突,我们如何来解决它呢?
一般来说,解决哈希冲突的方法有两种,分别是闭散列与开散列
①闭散列
闭散列也叫开放定址法,当发生哈希冲突时,如果哈希表未被装满,说明在哈希表中必然还有空位置,那么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置呢?
这里我们以上面的图片为例,这里有两种寻找方法
第一种是线性探测,即从发生冲突的位置开始,依次向后探测,直到寻找到下一个空位置为止。
1.原理说明
现在需要插入元素44,先通过哈希函数计算哈希地址为4,因此44理论上应该插在该位置,但是该位置已经放了值为4的元素,即发生哈希冲突。
2.代码实现
// 与开散列作区别(闭散列又叫开放寻址法)
namespace open_address
{// 在这里使用枚举来给哈希表每个空间标记enum State{EMPTY, // EMPTY此位置空,EXIST, // EXIST此位置已经有元素DELETE // DELETE元素已经删除};template<class K, class V>struct HashData{pair<K, V> _kv;State _state = EMPTY;};template<class K>struct DefaultHashFunc{size_t operator()(const K& key){return (size_t)key;}};// 这里可以使用偏特化对string的hashi进行处理template<>// BKDRHashFuncstruct DefaultHashFunc<string>{size_t operator()(const string& str){size_t hash = 0;for (auto ch : str){hash *= 131;hash += ch;}return hash;}};// 这里的HashFunc是当传入的K不为数字类型时,将其转换为对应的数字template<class K, class V, class HashFunc = DefaultHashFunc<K>>class HashTable{public:HashTable(){_table.resize(10);}bool Insert(const pair<K, V>& kv){HashFunc hf;// 当空间占有率大小>0.7时就扩容if (_n*10 / _table.size() >= 7){size_t newsize = _table.size() * 2;// 在扩容之后需要将哈希表中的元素对应关系重新映射HashTable<K, V, HashFunc> newHT;newHT._table.resize(newsize);for (size_t i = 0; i < _table.size(); i++){if (_table[i]._state == EXIST){newHT.Insert(_table[i]._kv);}}_table.swap(newHT._table);}size_t hashi = hf(kv.first) % _table.size();while (_table[hashi]._state == EXIST){++hashi;hashi %= _table.size();}// 到这时,状态要么是DELETE要么是EMPTY// 可以直接插入_table[hashi]._kv = kv;_table[hashi]._state = EXIST;++_n;return true;}HashData<const K, V>* Find(const K& key){HashFunc hf;size_t hashi = hf(key) % _table.size();// 当对应位置不为空时才进入查找while (_table[hashi]._state != EMPTY){if (_table[hashi]._state == EXIST&& _table[hashi]._kv.first == key){// 需要手动强转类型,因为不支持默认的自动类型转换return (HashData<const K, V>*) & _table[hashi];}++hashi;hashi %= _table.size();}return nullptr;}// 这里的删除应该只是改变元素状态bool Erase(const K& key){HashData<const K, V>* ret = Find(key);if (ret != nullptr){ret->_state = DELETE;--_n;return true;}return false;}private:vector<HashData<K, V>> _table;size_t _n = 0; // 存储有效数据的个数};
}
3.优缺点分析
线性探测优点:实现非常简单,
线性探测缺点:一旦发生哈希冲突,所有的冲突连在一起,容易产生数据“堆积”,即:不同关键码占据了可利用的空位置,使得寻找某关键码的位置需要许多次比较,导致搜索效率降低。如何缓解呢?
4.二次探测
线性探测的缺点是会导致冲突的数据集中在一起,这与它寻找下一个空位置的方式有关,因为它是按照顺序逐一查找的。为了避免这个问题,二次探测采用了一种不同的方法来找到下一个空位置,即:Hi = (H0 + i^2 )% m 或 Hi = (H0 - i^2 )% m。其中,i = 1,2,3…,H0 是通过散列函数 Hash(x) 对元素的关键码 key 进行计算得到的位置,m 是表的大小。
研究表明:当表的长度为质数且表装载因子a不超过0.5时,新的表项一定能够插入,而且任何一个位置都不会被探查两次。因此只要表中有一半的空位置,就不会存在表满的问题。在搜索时可以不考虑表装满的情况,但在插入时必须确保表的装载因子a不超过0.5,如果超出必须考虑增容。
因此,我们可以知道闭散列最大的缺陷就是空间利用率比较低,这也是哈希的缺陷。
②开散列
1.原理说明
开散列法又叫链地址法(开链法),首先对关键码集合用散列函数计算散列地址,具有相同地址的关键码归于同一子集合,每一个子集合称为一个桶,各个桶中的元素通过一个单链表链接起来,各链表的头结点存储在哈希表中。
举例如图所示
从上图可以看出,开散列中每个桶中放的都是发生哈希冲突的元素。
2.代码实现
// 开散列
namespace hash_bucket
{template<class K, class V>struct HashNode{pair<K, V> _kv;HashNode* _next;HashNode(const pair<K, V>& kv):_kv(kv),_next(nullptr){}};template<class K>struct DefaultHashFunc{size_t operator()(const K& key){return (size_t)key;}};// 这里可以使用偏特化对string的hashi进行处理template<>// BKDRHashFuncstruct DefaultHashFunc<string>{size_t operator()(const string& str){size_t hash = 0;for (auto ch : str){hash *= 131;hash += ch;}return hash;}};// 这里的HashFunc是当传入的K不为数字类型时,将其转换为对应的数字template<class K, class V, class HashFunc = DefaultHashFunc<K>>class HashTable{typedef HashNode<K, V> Node;public:HashTable(){_table.resize(10, nullptr);}~HashTable(){for (size_t i = 0; i < _table.size(); i++){Node* cur = _table[i];while (cur){Node* next = cur->_next;delete cur;cur = next;}_table[i] = nullptr;}}bool Insert(const pair<K, V>& kv){// 如果已经存在相同值就不再插入if (Find(kv.first)){return false;}HashFunc hf;// 桶的个数是一定的,随着元素的不断插入,每个桶中元素的个数不断增多,// 极端情况下,可能会导致一个桶中链表节点非常多,会影响的哈希表的性能// 因此在一定条件下需要对哈希表进行增容,最好的情况是:// 每个哈希桶中刚好挂一个节点,再继续插入元素时,每一次都会发生哈希冲突,// 因此,在元素个数刚好等于桶的个数时,可以给哈希表增容。if (_n == _table.size()){size_t newsize = _table.size() * 2;vector<Node*> newtable(newsize, nullptr);size_t i = 0;for (i = 0; i < _table.size(); i++){Node* cur = _table[i];// 将一个节点的全部桶重新挂到新的哈希表中while (cur){Node* next = cur->_next;size_t hashi = hf(cur->_kv.first) % newsize;// 在hashi处头插cur->_next = newtable[hashi];newtable[hashi] = cur;cur = next;}}}size_t hashi = hf(kv.first) % _table.size();Node* newnode = new Node(kv);newnode->_next = _table[hashi];_table[hashi] = newnode;++_n;return false;}Node* Find(const K& key){HashFunc hf;size_t hashi = hf(key) % _table.size();Node* cur = _table[hashi];while (cur){if (cur->_kv.first == key){return cur;}cur = cur->_next;}return nullptr;}bool Erase(const K& key){HashFunc hf;// 删除某一个节点时需要上一个节点的信息Node* prev = nullptr;size_t hashi = hf(key) % _table.size();Node* cur = _table[hashi];while (cur){if (cur->_kv.first == key){if (cur == _table[hashi]){_table[hashi] = cur->_next;}else{prev->_next = cur->_next;}delete cur;--_n;return true;}prev = cur;cur = cur->_next;}return false;}void Print(){for (size_t i = 0; i < _table.size(); i++){printf("[%d]->", i);Node* cur = _table[i];while (cur){cout << cur->_kv.first << ":" << cur->_kv.second << "->";cur = cur->_next;}printf("NULL\n");}cout << endl;}private:vector<Node*> _table; // 指针数组size_t _n = 0; // 存储了多少个有效数据};
}
③闭散列与开散列的比较
闭散列和开散列在处理哈希冲突时各有优缺点。
在存储效率上,闭散列采用顺序表存储,存储效率较高。而开散列采用单链表存储方式,因为附加了指针域,空间开销相对较大;在冲突解决方式上,闭散列方法是在哈希表中寻找下一个空闲位置来解决冲突,因此容易产生堆积,查找不易实现,可能需要二次再查找。而开散列方法则是将冲突的关键码存储在另一个数据结构中,避免了堆积现象,查找相对容易。
综上所述,闭散列和开散列在存储效率和冲突解决方式上存在差异,具体选择哪种方案需要根据实际情况来决定。
4.哈希的应用
①位图
对于下面这个问题
给40亿个不重复的无符号整数,没排过序。给一个无符号整数,如何快速判断一个数是否在这40亿个数中。
对此,我们有三种解决办法
1. 遍历,时间复杂度O(N)
2. 排序(O(NlogN)),利用二分查找: logN
3. 位图解决
数据是否在给定的整形数据中,结果是在或者不在,刚好是两种状态,那么可以使用一个二进制比特位来代表数据是否存在的信息,如果二进制比特位为1,代表存在,为0代表不存在。
对于前面两种方法,在数据量达到40亿时,若要将其储存起来差不多会消耗 40亿*4byte = 1600万kb = 16000 mb = 16gb 的内存空间,这显然是做不到的,此时我们就需要第三种方法来解决,即位图,举例如下
在这里让我们模拟实现其关键接口,即set, reset, test
template<size_t N>
class my_bitset
{
public:my_bitset(){// 一个size_t是4个字节即32个比特位,在这里即以32个比特为一个单元_a.resize(N / 32 + 1);}// 将x位置的值映射为1void set(size_t x){size_t i = x / 32;size_t j = x % 32;// 只将该位置的值映射为1,其他位置维持不变_a[i] |= (1 << j);}// 将x位置的值映射为0void reset(size_t x){size_t i = x / 32;size_t j = x % 32;// 只将该位置的值映射为0,其他位置维持不变_a[i] &= (~(1 << j));}// 判断x位置的值是否为1bool test(size_t x){size_t i = x / 32;size_t j = x % 32;return _a[i] & (1 << j);}private:vector<int> _a;
};
②布隆过滤器
1.布隆过滤器概念
布隆过滤器是由布隆(Burton Howard Bloom)在1970年提出的 一种紧凑型的、比较巧妙的概率型数据结构,特点是高效地插入和查询,可以用来告诉你 “某样东西一定不存在或者可能存在”,它是用多个哈希函数,将一个数据映射到位图结构中。此种方式不仅可以提升查询效率,也可以节省大量的内存空间。
举个例子
当向位图中插入一个数据时,会先根据不同的哈希函数计算出不同的对应下标,然后将对应的值标记成1,再插入一个值时,有
在查找时,可以按照以下方式进行查找:分别计算每个哈希值对应的比特位置存储的是否为零,只要有一个为零,代表该元素一定不在哈希表中,否则可能在哈希表中。
注意:布隆过滤器如果说某个元素不存在时,该元素一定不存在,如果该元素存在时,该元素可能存在,因为有些哈希函数存在一定的误判。举个例子,如在布隆过滤器中查找某个元素是否存在时,假设3个哈希函数计算的哈希值刚好和其他元素的比特位重叠,此时布隆过滤器告诉该元素存在,但实该元素是不存在的。
那么如何删除元素呢?其实布隆过滤器不能直接支持删除工作,因为在删除一个元素时,可能会影响其他元素。举个例子,在删除上图中"apple"元素时,如果直接将该元素所对应的二进制比特位置0,“banana”元素也被删除了,因为这两个元素在多个哈希函数计算出的比特位上刚好有重叠。那我们该如何进行删除操作呢?在此,可以给出一种支持删除的方法:将布隆过滤器中的每个比特位扩展成一个小的计数器,插入元素时给k个计数器(k个哈希函数计算出的哈希地址)加一,删除元素时,给k个计数器减一,通过多占用几倍存储空间的代价来增加删除操作。但是这种方法也有缺陷,即存在计数回绕,当计数器的值达到其最大值(例如32位整数的最大值)时,再次增加计数器的值会导致其回到最小值(0)。这在布隆过滤器中可能会导致问题,因为如果一个元素被删除了(计数器减一),然后再次被插入(计数器加一),那么这个元素的计数器可能会回绕到最初的0,即使这个元素实际上仍然存在于布隆过滤器中。
2.布隆过滤器的模拟实现
// 三种计算字符串转换为数值的不同计算方法
struct BKDRHash
{size_t operator()(const string& str){size_t hash = 0;for (auto ch : str){hash = hash * 131 + ch;}return hash;}
};struct APHash
{size_t operator()(const string& str){size_t hash = 0;for (size_t i = 0; i < str.size(); i++){size_t ch = str[i];if ((i & 1) == 0){hash ^= ((hash << 7) ^ ch ^ (hash >> 3));}else{hash ^= (~((hash << 11) ^ ch ^ (hash >> 5)));}}return hash;}
};struct DJBHash
{size_t operator()(const string& str){size_t hash = 5381;for (auto ch : str){hash += (hash << 5) + ch;}return hash;}
};template<size_t N,class K = string,class Hash1 = BKDRHash,class Hash2 = APHash,class Hash3 = DJBHash>
class BloomFilter
{
public:void Set(const K& key){size_t hashi1 = Hash1()(key) % N;_bs.set(hashi1);size_t hashi2 = Hash2()(key) % N;_bs.set(hashi2);size_t hashi3 = Hash3()(key) % N;_bs.set(hashi3);}bool Test(const K& key){size_t hashi1 = Hash1()(key) % N;if (_bs.test(hashi1) == false)return false;size_t hashi2 = Hash2()(key) % N;if (_bs.test(hashi1) == false)return false;size_t hashi3 = Hash3()(key) % N;if (_bs.test(hashi1) == false)return false;return ture;}private:bitset<N> _bs;
};
3.布隆过滤器的优缺点
优点
1. 增加和查询元素的时间复杂度为:O(K), (K为哈希函数的个数,一般比较小),与数据量大小无关
2. 哈希函数相互之间没有关系,方便硬件并行运算
3. 布隆过滤器不需要存储元素本身,在某些对保密要求比较严格的场合有很大优势
4. 在能够承受一定的误判时,布隆过滤器比其他数据结构有这很大的空间优势
5. 数据量很大时,布隆过滤器可以表示全集,其他数据结构不能
6. 使用同一组散列函数的布隆过滤器可以进行交、并、差运算
缺点
1. 有误判率,即存在假阳性(False Position),即不能准确判断元素是否在集合中(补救方法:再建立一个白名单,存储可能会误判的数据)
2. 不能获取元素本身
3. 一般情况下不能从布隆过滤器中删除元素
4. 如果采用计数方式删除,可能会存在计数回绕问题
③海量数据处理
1.哈希切割
给一个超过 100G 大小的 log file, log 中存着 IP 地址 , 设计算法找到出现次数最多的 IP 地址?如何找到top K 的 IP ?
在这里我们需要用到哈希切割,在这之前我们要先了解一下什么是哈希切割
哈希切割是一种将大文件分割成多个小文件的方法,其本质是将小文件当做哈希桶,将大文件中的query通过哈希函数映射到这些哈希桶中,如果是相同的query,则会产生哈希冲突进入到同一个小文件中。
举个例子 这样经过切分后,不同的ip地址就存入了不同的小文件中,此时再用map去统计各个小文件中ip出现次数即可
2.位图应用
给定 100 亿个整数,设计算法找到只出现一次的整数?
这里可以设计用两个位来标记一个数的算法,如图所示
这里可以用两个位图来标记,算法具体实现如下
template <size_t N>
class TwoBit
{void set(size_t x){// 对于没有出现过的元素——00要将其变为01if (!bs1.test(x) && !bs1.test(x)){bs2.set(x);}// 对于出现过一次的元素——01要将其变为10else if (!bs1.test(x) && bs2.test(x)){bs1.set(x);bs2.reset(x);}// 对于出现过一次以上的元素——10不变即可}bool is_once(size_t x){// 判断是否为01即可return !bs1.test(x) && bs2.test(x);}private:bitset<N> bs1;bitset<N> bs2;
};
给两个文件,分别有100亿个整数,我们只有1G内存,如何找到两个文件交集?
对此,我们可以用两个位图来分别标识两个文件中的数据,第一个文件遇见一个数就将第一个位图的对应位置set为1,第二个文件遇见就将第二个位图的对应位置set为1,在标识完所有数据后,将两个位图&一下,这样得到的位图中所有为1的数据即为交集
1 个文件有 100 亿个 int , 1G 内存,设计算法找到出现次数不超过 2 次的所有整数
对此,我们采取与第一个方式差不多的方法,即用两个位图标识一个数,标识完所有的数后,找到所有为01或者10的数据,即为出现次数不超过两次的整数。
3.布隆过滤器
给两个文件,分别有 100 亿个 query ,我们只有 1G 内存,如何找到两个文件交集?分别给出 精确算法和近似算法
对此,我们可以用哈希切分来解决问题,具体解决如下
将两个文件分别哈希切分到若干个小文件中,第一个文件切分到A_1, A_2, ... A_n,第二个文件切分到B_1, B_2, ...B_n,这样对应的query会被切分到对应编号的小文件中,然后我们先将A_i的数据读入到一个set中,然后在对应的B_i中去判断,如果存在就是交集,反之。
即
但是这种解决办法存在一些问题:哈希切分并不是均匀的切分,当哈希冲突过多时,某一个文件会超出预计的1G内存,此时又该如何解决呢?
此时这个文件可以被分为两种情况:一种是大部分query相同少部分相冲突,另一种是大部分的query都是相冲突的。对此我们的解决方案如下
1.将A_i的数据全部插入到一个set中,如果set抛异常(bad_alloc)说明申请内存过多,即此时大部分的query都是互相冲突的,如果插入成功说明此时大部分的query都是相同的;
2.如果结果是抛异常的话需要更换一个哈希函数进行二次切分,即将这个小文件进行再次的哈希切分。