字典哈希表的实现原理

栏目: 数据库 · 发布时间: 5年前

内容简介:通过哈希桶来实现的k/v存储,通过key的hash码,再进行桶计算,生成一个在某个范围内的值,这就是桶的索引号,再把值存储到桶对应的entry里,桶bucket存储了entry的索引号,通过一个bucket可以直接或者间接找到一个entry.graph LR key-->hashcode hashcode-->bucket桶运算 bucket桶运算-->得到bucket索引 得到bucket索引-->bucket值就是entry的索引 bucket值就是entry的索引-->x("↓")graph LR b

两个数组

  • bucket数组:存储key的hash桶,桶指的是把hashcode分配到一定的范围内
  • entry数组:用来存储实现的值,它是一个单向链表,bucket总是存储链表的最后一个元素

实现方式

通过哈希桶来实现的k/v存储,通过key的hash码,再进行桶计算,生成一个在某个范围内的值,这就是桶的索引号,再把值存储到桶对应的entry里,桶bucket存储了entry的索引号,通过一个bucket可以直接或者间接找到一个entry.

  1. 直接找到:当hash没有冲突时,它存储的就是真实的entry索引
  2. 间接找到:当hash出现冲突(碰撞)时,它就会把当前最后的索引赋值这个新entry.next,而新的entry的索引就是现在的bucket的值。

实现流程图

graph LR key-->hashcode hashcode-->bucket桶运算 bucket桶运算-->得到bucket索引 得到bucket索引-->bucket值就是entry的索引 bucket值就是entry的索引-->x("↓")

graph LR bucket值就是entry的索引-->冲突解决 冲突解决-->单向链表next指向上一个值 单向链表next指向上一个值-->单身链表查找 单身链表查找-->返回结果

数组长度为素数

hash桶数全部使用的是质数,因为我们在hash的定义中,hash函数使用的是标准的求模函数,因此这样定义桶数有利于元素各个桶之间的 均匀分布减少hash相同值的碰撞概率 。 例如:

举一个有点极端的例子,假设我们的元素全是偶数1,4,6,8,10,12,14,1,6,18,20,22

如果我们使用4个桶:

0: 4,8,12,16.20

1:

2:6,10,14,18,22

3:

很明显看出有的桶有很多元素,但是有的桶是空桶,如果我们改为使用3个桶:

0:  6,12,18

1:4,10,16,22

2:2,8,14,20

模拟一个字典的实现

@Getter
@Setter
class KVPair<K, T> {
  private K key;
  private T value;
  private int hashCode;
  private int next; //下一个元素的下标索引,如果没有下一个就为-1
}

/**
 * 模拟实现一个字典kv结构.
 *
 * @param <T>
 */
class MokiHashMap<K, T> {
  static int[] primes = {
      3, 7, 11, 17, 23, 29, 37, 47, 59, 71, 89, 107, 131, 163, 197, 239, 293, 353, 431, 521, 631, 761, 919,
      1103, 1327, 1597, 1931, 2333, 2801, 3371, 4049, 4861, 5839, 7013, 8419, 10103, 12143, 14591,
      17519, 21023, 25229, 30293, 36353, 43627, 52361, 62851, 75431, 90523, 108631, 130363, 156437,
      187751, 225307, 270371, 324449, 389357, 467237, 560689, 672827, 807403, 968897, 1162687, 1395263,
      1674319, 2009191, 2411033, 2893249, 3471899, 4166287, 4999559, 5999471, 7199369};
  // 桶数组
  private int[] buckets;// 最新的entry的索引号,
  // 真实的数据
  private KVPair<K, T>[] entry; // entry根据next形成一个单链表
  private int count = 0;          // 当前entries的数量

  public MokiHashMap() {
    buckets = new int[3];
    entry = new KVPair[3];
    for (int i = 0; i < buckets.length; i++) {
      buckets[i] = -1;
    }
  }

  private void reSize() {
    int newLength = getPrime(count);
    int[] newBuckets = new int[newLength];
    for (int i = 0; i < newBuckets.length; i++) {
      newBuckets[i] = -1;
    }
    KVPair<K, T>[] newEntries = new KVPair[newLength];
    System.arraycopy(entry, 0, newEntries, 0, count);
    System.arraycopy(buckets, 0, newBuckets, 0, count);
    entry = newEntries;
    buckets = newBuckets;
  }

  /**
   * 得到某个key所在的hash桶
   *
   * @param key .
   * @return
   */
  private int getHashBucketIndex(K key) {
    int len = buckets.length;
    int hashCode = key.hashCode();
    int index = hashCode & (len - 1);//len升级的hash桶
    return index;
  }

  /**
   * 得到较大的素数.
   *
   * @param min .
   * @return
   */
  private int getPrime(int min) {
    if (min < 0) {
      throw new IllegalArgumentException("最小为3");
    }
    for (int i = 0; i < primes.length; i++) {
      int prime = primes[i];
      if (prime > min) return prime;
    }

    return min;
  }

  public void add(K key, T value) {
    if (count == entry.length) {
      reSize();
    }
    int index = getHashBucketIndex(key);
    int entryIndex = buckets[index];
    entry[count] = new KVPair();
    if (entryIndex < 0) {
      entry[count].setNext(-1);
    } else {
      entry[count].setNext(buckets[index]);
    }
    entry[count].setHashCode(index);
    entry[count].setKey(key);
    entry[count].setValue(value);
    buckets[index] = count;
    count = count + 1;
  }

  public T find(K key) {
    int entryIndex = buckets[getHashBucketIndex(key)];
    while (entry[entryIndex].getNext() > -1) {
      if (entry[entryIndex].getKey().equals(key)
          && entry[entryIndex].getHashCode() == getHashBucketIndex(key)) {
        return entry[entryIndex].getValue();
      }
      entryIndex = entry[entryIndex].getNext();
    }
    return null;
  }
}

public class KVTest {
  @Test
  public void testDic() {
    MokiHashMap<String, String> dic = new MokiHashMap<>();
    dic.add("ok", "1");
    dic.add("zzl", "2");
    dic.add("lr", "3");
    dic.add("dd", "1");
    dic.add("a", "b");
    dic.add("b", "c");
    dic.add("d", "e");
    dic.add("e", "f");

    System.out.println("dic find:" + dic.find("a"));
  }
}

以上所述就是小编给大家介绍的《字典哈希表的实现原理》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

数据压缩导论(第4版)

数据压缩导论(第4版)

[美] Khalid Sayood / 贾洪峰 / 人民邮电出版社 / 2014-1 / 129.00

数据压缩已经成为信息革命的一门支撑技术,这场革命已经改变了我们的生活,而在此过程中,数据压缩也变得几乎无处不在。从MP3播放器到智能手机,再到数字电视和数字电影,数据压缩几乎成了所有信息技术的必备要素。 近年来,以大数据为标志的互联网技术高歌猛进。数据规模大、产生速度快、来源多样等特性,导致数据存储和处理都前所未有地复杂。《数据压缩导论(第4版)》作为迄今为止数据压缩领域最全面而深入的著作,......一起来看看 《数据压缩导论(第4版)》 这本书的介绍吧!

RGB转16进制工具
RGB转16进制工具

RGB HEX 互转工具

RGB CMYK 转换工具
RGB CMYK 转换工具

RGB CMYK 互转工具

HEX CMYK 转换工具
HEX CMYK 转换工具

HEX CMYK 互转工具