从头到尾彻底解析哈希表算法3

H9enRy

　　第三部分、最快的Hash表算法　　接下来，咱们来具体分析一下一个最快的Hasb表算法。　　我们由一个简单的问题逐步入手：有一个庞大的字符串数组，然后给你一个单独的字符串，让你从这个数组中查找是否有这个字符串并找到它，你会怎么做？有一个方法最简单，老老实实从头查到尾，一个一个比较，直到找到为止，我想只要学过程序设计的人都能把这样一个程序作出来，但要是有程序员把这样的程序交给用户，我只能用无语来评价，或许它真的能工作，但…也只能如此了。　　最合适的算法自然是使用HashTable（哈希表），先介绍介绍其中的基本知识，所谓Hash，一般是一个整数，通过某种算法，可以把一个字符串”压缩” 成一个整数。当然，无论如何，一个32位整数是无法对应回一个字符串的，但在程序中，两个字符串计算出的Hash值相等的可能非常小，下面看看在MPQ中的Hash算法：　　函数一、以下的函数生成一个长度为0×500（合10进制数：1280）的cryptTable[0x500]1234567891011121314151617181920void prepareCryptTable(){     unsigned long seed = 0x00100001, index1 = 0, index2 = 0, i;      for( index1 = 0; index1 < 0x100; index1++ )    {         for( index2 = index1, i = 0; i < 5; i++, index2 += 0x100 )        {             unsigned long temp1, temp2;              seed = (seed * 125 + 3) % 0x2AAAAB;            temp1 = (seed & 0xFFFF) << 0x10;              seed = (seed * 125 + 3) % 0x2AAAAB;            temp2 = (seed & 0xFFFF);              cryptTable[index2] = ( temp1 | temp2 );        }    } }　　函数二、以下函数计算lpszFileName 字符串的hash值，其中dwHashType 为hash的类型，在下面的函数三、GetHashTablePos函数中调用此函数二，其可以取的值为0、1、2；该函数返回lpszFileName 字符串的hash值：12345678910111213141516unsigned long <strong>HashString</strong>( char *lpszFileName, unsigned long dwHashType ){     unsigned char *key  = (unsigned char *)lpszFileName;unsigned long seed1 = 0x7FED7FED;unsigned long seed2 = 0xEEEEEEEE;    int ch;      while( *key != 0 )    {         ch = toupper(*key++);          seed1 = cryptTable[(dwHashType &lt;&lt; 8) + ch] ^ (seed1 + seed2);        seed2 = ch + seed1 + seed2 + (seed2 &lt;&lt; 5) + 3;     }    return seed1; }　　Blizzard的这个算法是非常高效的，被称为”One-Way Hash”( A one-way hash is a an algorithm that is constructed in such a way that deriving the original string (set of strings, actually) is virtually impossible)。举个例子，字符串”unitneutralacritter.grp”通过这个算法得到的结果是0xA26067F3。　　是不是把第一个算法改进一下，改成逐个比较字符串的Hash值就可以了呢，答案是，远远不够，要想得到最快的算法，就不能进行逐个的比较，通常是构造一个哈希表(Hash Table)来解决问题，哈希表是一个大数组，这个数组的容量根据程序的要求来定义，例如1024，每一个Hash值通过取模运算 (mod) 对应到数组中的一个位置，这样，只要比较这个字符串的哈希值对应的位置有没有被占用，就可以得到最后的结果了，想想这是什么速度？是的，是最快的O(1)，现在仔细看看这个算法吧：1234567typedef struct{    int nHashA;    int nHashB;    char bExists;   ......} SOMESTRUCTRUE;　一种可能的结构体定义？　　函数三、下述函数为在Hash表中查找是否存在目标字符串，有则返回要查找字符串的Hash值，无则，return -1.123456789101112131415int <strong>GetHashTablePos</strong>( har *lpszString, SOMESTRUCTURE *lpTable ) //lpszString要在Hash表中查找的字符串，lpTable为存储字符串Hash值的Hash表。{     int nHash = HashString(lpszString);  //调用上述函数二，返回要查找字符串lpszString的Hash值。    int nHashPos = nHash % nTableSize;      if ( lpTable[nHashPos].bExists  &amp;&amp;  !strcmp( lpTable[nHashPos].pString, lpszString ) )     {  //如果找到的Hash值在表中存在，且要查找的字符串与表中对应位置的字符串相同，        return nHashPos;    //则返回上述调用函数二后，找到的Hash值    }     else    {        return -1;      } }　　看到此，我想大家都在想一个很严重的问题：“如果两个字符串在哈希表中对应的位置相同怎么办？”,毕竟一个数组容量是有限的，这种可能性很大。解决该问题的方法很多，我首先想到的就是用“链表”,感谢大学里学的数据结构教会了这个百试百灵的法宝，我遇到的很多算法都可以转化成链表来解决，只要在哈希表的每个入口挂一个链表，保存所有对应的字符串就OK了。事情到此似乎有了完美的结局，如果是把问题独自交给我解决，此时我可能就要开始定义数据结构然后写代码了。　　然而Blizzard的程序员使用的方法则是更精妙的方法。基本原理就是：他们在哈希表中不是用一个哈希值而是用三个哈希值来校验字符串。　　MPQ使用文件名哈希表来跟踪内部的所有文件。但是这个表的格式与正常的哈希表有一些不同。首先，它没有使用哈希作为下标，把实际的文件名存储在表中用于验证，实际上它根本就没有存储文件名。而是使用了3种不同的哈希：一个用于哈希表的下标，两个用于验证。这两个验证哈希替代了实际文件名。
当然了，这样仍然会出现2个不同的文件名哈希到3个同样的哈希。但是这种情况发生的概率平均是：1:18889465931478580854784，这个概率对于任何人来说应该都是足够小的。现在再回到数据结构上，Blizzard使用的哈希表没有使用链表，而采用”顺延”的方式来解决问题，看看这个算法：　　函数四、lpszString 为要在hash表中查找的字符串；lpTable 为存储字符串hash值的hash表；nTableSize 为hash表的长度：123456789101112131415161718192021222324252627282930int <strong>GetHashTablePos</strong>( char *lpszString, MPQHASHTABLE *lpTable, int nTableSize ){    const int  HASH_OFFSET = 0, HASH_A = 1, HASH_B = 2;      int  nHash = HashString( lpszString, HASH_OFFSET );    int  nHashA = HashString( lpszString, HASH_A );    int  nHashB = HashString( lpszString, HASH_B );    int  nHashStart = nHash % nTableSize;    int  nHashPos = nHashStart;      while ( lpTable[nHashPos].bExists )   {     /*如果仅仅是判断在该表中时候存在这个字符串，就比较这两个hash值就可以了，不用对     *结构体中的字符串进行比较。这样会加快运行的速度？减少hash表占用的空间？这种      *方法一般应用在什么场合？*/        if ( 　 lpTable[nHashPos].nHashA == nHashA        &amp;&amp;  lpTable[nHashPos].nHashB == nHashB )       {            return nHashPos;       }       else       {            nHashPos = (nHashPos + 1) % nTableSize;       }          if (nHashPos == nHashStart)              break;    }     return -1;}　　上述程序解释：　　1.计算出字符串的三个哈希值（一个用来确定位置，另外两个用来校验)　　2. 察看哈希表中的这个位置　　3. 哈希表中这个位置为空吗？如果为空，则肯定该字符串不存在，返回-1。　　4. 如果存在，则检查其他两个哈希值是否也匹配，如果匹配，则表示找到了该字符串，返回其Hash值。　　5. 移到下一个位置，如果已经移到了表的末尾，则反绕到表的开始位置起继续查询　　6. 看看是不是又回到了原来的位置，如果是，则返回没找到　　7. 回到3　　ok，这就是本文中所说的最快的Hash表算法。什么?不够快?:D。欢迎，各位批评指正。　　——————————————–　　补充1、一个简单的hash函数：