C++哈希

📟作者主页：慢热的陕西人

🌴专栏链接：C++

📣欢迎各位大佬👍点赞🔥关注🚓收藏，🍉留言

本博客主要内容讲解C++11哈希方面相关的知识

C++Hash

Ⅰ.unordered系列关联式容器

在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到$lo{g}_{2}N$，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好 的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个 unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中只对unordered_map和unordered_set进行介绍， unordered_multimap和unordered_multiset可查看文档介绍。

因为unordered_map和unordered_set的底层实现采用的时hash_table的方式去实现的，所以他们的查找效率都非常的高(其他的方面效率提升不明显)

Ⅰ.Ⅰunordered_map

Ⅰ.Ⅰ.Ⅰunordered_map的文档介绍

unordered_map在线文档说明

①unordered_map是存储键值对的关联式容器，其允许通过keys快速的索引到与 其对应的value。

②在unordered_map中，键值通常用于唯一地标识元素，而映射值是一个对象，其内容与此键关联。键和映射值的类型可能不同。

③在内部,unordered_map没有对按照任何特定的顺序排序, 为了能在常数范围内 找到key所对应的value，unordered_map将相同哈希值的键值对放在相同的桶中。

④unordered_map容器通过key访问单个元素要比map快，但它通常在遍历元素子集的范围迭代方面效率较低。

⑤unordered_map实现了直接访问操作符(operator[])，它允许使用key作为参数直接访问 value。

⑥它的迭代器至少是前向迭代器。

Ⅰ. Ⅰ. Ⅱ unordered_map的接口介绍

①unordered_map的构造

函数声明	函数功能
unordered_map	构造不同格式的unordered_map对象

②unordered_map的容量

函数声明	函数功能
unordered_map::empty	检测unordered_map是否为空
unordered_map::size	检测unordered_map中有效元素的个数
unordered_map::max_size	返回unordered_map容器可以容纳的最大元素数

③unordered_map的迭代器

函数声明	函数功能
unordered_map::begin	返回unordered_map第一个元素的迭代器
unordered_map::end	返回unordered_map最后一个元素下一个位置的迭代器
unordered_map::cbegin	返回unordered_map第一个元素的const迭代器
unordered_map::cend	返回unordered_map最后一个元素下一个位置的const迭代器

④unordered_map的元素访问

函数声明	函数功能
unordered_map::operator[]	返回与key对应的value，没有一个默认值
unordered_map::at	返回与key对应的value，没有一个默认值

注意：该函数([])中实际调用哈希桶的插入操作(map和set的底层实现也是如此)，用参数key与V()构造一个默认值往底层哈希桶中插入，如果key不在哈希桶中，插入成功，返回V()，插入失败，说明key已经在哈希桶中， 将key对应的value返回。

⑤unordered_map的查询

函数声明	函数功能
unordered_map::find	返回key在哈希桶中的位置
unordered_map::count	返回哈希桶中关键码为key的键值对的个数
unordered_map::equal_range	返回包含容器中所有元素的区域的边界

注意：因为unordered_map中key是不能重复的，因此count函数的返回值最大为1

⑥unordered_map的修改操作

函数声明	函数功能
unordered_map::insert	向容器中插入键值对
unordered_map::erase	删除容器中的键值对
unordered_map::clear	清空容器中有效元素个数
unordered_map::swap	交换两个容器中的元素
unordered_map::emplace	构造并向容器中插入键值对(效率比insert高)
unordered_map::emplace_hint	构造并向容器中插入键值对(效率比insert高)

⑦ unordered_map的桶操作

函数声明	函数功能
unordered_map::bucket_count	返回哈希桶中桶的总个数
unordered_map::max_bucket_count	返回哈希桶中桶的最大总个数
unordered_map::bucket_size	返回n号桶中有效元素的总个数
unordered_map::bucket	返回元素key所在的桶号

Ⅰ. Ⅱ unordered_set

unordered_set和unordered_map的接口极其类似

这里就不过多赘述具体可参看文档unordered_set

Ⅰ. Ⅲ 一些相关的OJ题

349. 两个数组的交集 - 力扣（LeetCode）

961. 在长度 2N 的数组中找出重复 N 次的元素 - 力扣（LeetCode）

[350. 两个数组的交集 II - 力扣（LeetCode）](https://leetcode.cn/problems/intersection-of-two-arrays/)

217. 存在重复元素 - 力扣（LeetCode）

884. 两句话中的不常见单词 - 力扣（LeetCode）

Ⅱ.底层结构

unordered系列的关联式容器之所以效率比较高，是因为其底层使用了哈希结构。

Ⅱ. Ⅰ哈希概念

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($lo{g}_{2}N$)，搜索的效率取决于搜索过程中元素的比较次数。
理想的搜索方法：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：

• 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

• 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

该方式即为哈希(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)

例如：数据集合{1，7，6，4，5，9}；

哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。

用该方法进行搜索不必进行多次关键码的比较，因此搜索的速度比较快

问题：按照上述哈希方式，向集合中插入元素44，会出现什么问题？

会出现冲突的情况！，因为44计算下来应该放在4当前放的位置；

Ⅱ. Ⅱ哈希冲突

对于两个数据元素的关键字$k_i$和 $k_j$(i != j)，有$k_i$ != $k_j$，但有：Hash($k_i$) == Hash($k_j$)，即：不同关键字通过相同哈希哈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。

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”。

发生哈希冲突该如何处理呢？

引入哈希函数的概念来解决哈希冲突！

Ⅱ. Ⅲ哈希函数

引起哈希冲突的一个原因可能是：哈希函数设计不够合理。 哈希函数设计原则：

• 哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值 域必须在0到m-1之间
• 哈希函数计算出来的地址能均匀分布在整个空间中
• 哈希函数应该比较简单

常见哈希函数：

• 直接定值法：

  取关键字的某个线性函数为散列地址：Hash（Key）= A*Key + B

  优点：简单、均匀

  缺点：需要事先知道关键字的分布情况

  使用场景：适合查找比较小且连续的情况

  面试题：387. 字符串中的第一个唯一字符 - 力扣（LeetCode）

• 除留余数法–(常用)

  设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数， 按照哈希函数：**Hash(key) = key% p(p<=m),**将关键码转换成哈希地址

• 平方取中法–(了解)

  假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址； 再比如关键字为4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址

  平方取中法比较适合：不知道关键字的分布，而位数又不是很大的情况

• 折叠法–(了解)

  折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这 几部分叠加求和，并按散列表表长，取后几位作为散列地址。

  折叠法适合事先不需要知道关键字的分布，适合关键字位数比较多的情况

• 随机数法–(了解)

  选择一个随机函数，取关键字的随机函数值为它的哈希地址，即H(key) = random(key),其中 random为随机数函数。

  通常应用于关键字长度不等时采用此法

• 数学分析法–(了解)

设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定 相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只 有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。例如：

假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是 相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现 冲突，还 可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移 位、前两数与后两数叠加(如1234改成12+34=46)等方法。

数字分析法通常适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的 若干位分布较均匀的情况

注意：哈希函数设计的越精妙，产生哈希冲突的可能性就越低，但是无法避免哈希冲突

Ⅱ. Ⅳ 哈希冲突解决

解决哈希冲突两种常见的方法是：闭散列和开散列

Ⅱ. Ⅳ. Ⅰ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？

①线性探测

​ 比如2.1中的场景，现在需要插入元素44，先通过哈希函数计算哈希地址，hashAddr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。

线性探测：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。

• 插入

  1.通过哈希函数获取待插入元素在哈希表中的位置

  2.如果该位置中没有元素则直接插入新元素，如果该位置中有元素发生哈希冲突， 使用线性探测找到下一个空位置，插入新元素

  

• 删除

  采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素 会影响其他元素的搜索。比如删除元素4，如果直接删除掉，44查找起来可能会受影 响。因此线性探测采用标记的伪删除法来删除一个元素。

  // 哈希表每个空间给个标记
  // EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除
  enum State{EMPTY, EXIST, DELETE}; 
  1
  2
  3

  线性探测的实现

  bool Insert(const pair<K, V> kv)
  		{
  			Hash hash;
  			//查看是否需要扩容，超过size的0.7就进行扩容
  			if (_tables.size() == 0 || _n * 10 / _tables.size() >= 7)
  			{
  				size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;
  				HashTable<K, V> newht;
  				newht._tables.resize(newsize);
  				//遍历旧表映射到新表
  				for (auto& date : _tables)
  				{
  					if (date._state == EXIST)
  						newht.Insert(date._kv);
  				}
  				_tables.swap(newht._tables);
  			}
          
  			size_t hashi = kv.first % _tables.size();
          
  			//线性探测
  			size_t i = 1;
  			size_t index = hashi;
  			while (_tables[index]._state == EXIST)
  			{
  				index = hashi + i;
  				index %= _tables.size();
  				++i;
  			}
  			_tables[index]._kv = kv;
  			_tables[index]._state = EXIST;
  			++_n;
  			return true;
  		}
          
  		HashDate<K, V>* find(const K& key)
  		{
  			if (_tables.size() == 0)
  			{
  				return false;
  			}
  			size_t hashi = key % _tables.size();
          
  			//线性探测
  			size_t i = 1;
  			size_t index = hashi;
  			while (_tables[index]._state == EXIST)
  			{
  				if (_tables[index]._state == EXIST
  					&& _tables[index].first == key)
  				{
  					return &_tables[index];
  				}
  				index = hashi + i;
  				index %= _tables.size();
  				++i;
          
  				//查找了一圈，证明表中的状态只有EXIST和DELET的状态
  				if (index == hashi)
  				{
  					break;
  				}
  			}
  			return nullptr;
  		}
          
  		bool Erase(const K& key)
  		{
  			HashDate<K, V>* ret = find(key);
  			if (ret)
  			{
  				ret->_state = DELETE;
  				--_n;
  				return true;
  			}
  			else
  			{
  				return false;
  			}
  		}
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15
  16
  17
  18
  19
  20
  21
  22
  23
  24
  25
  26
  27
  28
  29
  30
  31
  32
  33
  34
  35
  36
  37
  38
  39
  40
  41
  42
  43
  44
  45
  46
  47
  48
  49
  50
  51
  52
  53
  54
  55
  56
  57
  58
  59
  60
  61
  62
  63
  64
  65
  66
  67
  68
  69
  70
  71
  72
  73
  74
  75
  76
  77
  78
  79
  80

  思考：哈希表什么情况下进行扩容？如何扩容？

  这里引入一个新的概念：载荷因子α
  $$\alpha =填入表中元素的个数/散列表的长度$$
  所以α越大，表明填入表中的元素就越多，产生冲突的可能行就越大。反之α越小，表明表中的元素就越少，产生冲突的概率就越小。实际上，散列表的平均查找长度就是α的函数。

  一般限定阿尔法的值为0.75左右。

  void CheckCapacity()
  {
      if(_size * 10 / _ht.capacity() >= 7)
     {
          HashTable<K, V, HF> newHt(GetNextPrime(ht.capacity));
          for(size_t i = 0; i < _ht.capacity(); ++i)
         {
              if(_ht[i]._state == EXIST)
                  newHt.Insert(_ht[i]._val);
         }
                  
          Swap(newHt);
     }
  }
          
  1
  2
  3
  4
  5
  6
  7
  8
  9
  10
  11
  12
  13
  14
  15

  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？

②二次探测

线性探测的缺陷是产生冲突的数据堆积在一块，这与其找下一个空位置有关系，因为找空位 置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题，找下一个空位置的方法 为：$H_i$ = ($H_0$ + $i^2$ )% m, 或者：$H_i$ = ($H_0$ - $i^2$ )% m。其中：i = 1,2,3…， $H_0$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。对于2.1中如果要插入44，产生冲突，使用解决后的情况为：

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：比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。

Ⅱ. Ⅳ. Ⅱ开散列

1.开散列的概念

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。

从上图可以看出：散列表的每个桶中放的都是哈希冲突的元素。

2.开散列的实现：

template<class K>
struct HashFunc
{
	size_t operator()(const K& key)
	{
		return key;
	}
};


//特化
template<>
struct HashFunc<string>
{
	size_t operator()(const string& s)
	{
		size_t hash = 0;
		for (auto ch : s)
		{
			hash += ch;
			hash *= 31;
		}

		return hash;
	}
};

namespace HashBucket
{
	template<class K, class V>
	struct HashNode
	{
		HashNode<K, V>* _next;
		pair<K, V> _kv;

		HashNode(const pair<K, V>& kv)
			:_kv(kv)
			,_next(nullptr)
		{}
	};

	template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
	{
		typedef HashNode<K, V> Node;
	public:
		~HashTable()
		{
			for (auto& cur : _tables)
			{
				while (cur)
				{
					Node* next = cur->_next;
					delete cur;
					cur = next;
				}
				cur = nullptr;
			}

		}
	public:


		Node* Find(const K& key)
		{
			Hash hash;
			if (_tables.size() == 0)
			{
				return nullptr;
			}
			size_t hashi = hash(key) % _tables.size();
			Node* cur = _tables[hashi];
			while (cur)
			{
				if (cur->_kv.first == key)
					return cur;
				cur = cur->_next;
			}
			return nullptr;
		}

		bool Erase(const K& key)
		{
			Hash hash;
			size_t hashi = hash(key) % _tables.size();
			Node* prev = nullptr;
			Node* cur = _tables[hashi];

			while (cur)
			{
				if (cur->_kv.first == key)
				{
					if (prev == nullptr)
					{
						_tables[hashi] = cur->_next;
					}
					else
					{
						prev->_next = cur->_next;
					}

					delete cur;
					return true;
				}

				prev = cur;
				cur = cur->_next;
			}

			return false;
		}
		bool Insert(const pair<K, V>& kv)
		{
			Hash hash;
			if (Find(kv.first))
			{
				return false;
			}
			//载荷因子为1
			if (_n == _tables.size())
			{
				size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;
				vector<Node*> newht(newsize, nullptr);
				Node* cur = nullptr;
				for (auto cur : _tables)
				{
					while (cur)
					{
						Node* next = cur->_next;

						size_t hashi = hash(cur->_kv.first) % newht.size();

						//头插到新的表中
						cur->_next = newht[hashi];
						newht[hashi] = cur;

						cur = next;
					}
				}
				_tables.swap(newht);
			}

			//头插
			size_t hashi = hash(kv.first) % _tables.size();
			Node* newnode = new Node(kv);
			newnode->_next = _tables[hashi];
			_tables[hashi] = newnode;
			_n++;
			return true;
		}
		int MaxBucketSize()
		{
			int max = 0;
			for (int i = 0; i < _tables.size(); ++i)
			{
				Node* cur = _tables[i];
				int count = 0;
				while (cur)
				{
					count++;
					cur = cur->_next;
				}
				if (max < count) max = count;
			}
			return max;
		}

	private:
		vector<Node*> _tables;
		size_t _n = 0;
	};
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171

3.开散列的增容

			//载荷因子为1
			if (_n == _tables.size())
			{
                //这里的判断是为了防止初始size值为零的情况
				size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;
                
				vector<Node*> newht(newsize, nullptr);
				Node* cur = nullptr;
                //遍历原表中的数据，将原表中的数据插入到新的表中
				for (auto cur : _tables)
				{
					while (cur)
					{
						Node* next = cur->_next;
						//算出扩容后的hash值
						size_t hashi = hash(cur->_kv.first) % newht.size();

						//头插到新的表中
						cur->_next = newht[hashi];
						newht[hashi] = cur;

						cur = next;
					}
				}
                //将原表的数组和新表交换
				_tables.swap(newht);
			}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

4.开散列的思考

①只能存储key为整形的元素，其他类型怎么解决？

这里我们利用仿函数的方法来解决这个问题，在需要计算相关的hash值的时候我们去调用这个函数即可

template<class K>
    
//对于普通的K类型我们直接返回
struct HashFunc
{
	size_t operator()(const K& key)
	{
		return key;
	}
};


//对于string类型的特化
template<>
struct HashFunc<string>
{
	size_t operator()(const string& s)
	{
		size_t hash = 0;
		for (auto ch : s)
		{
			hash += ch;
            //关于这里为什么需要乘31，原因是为了避免字符串hash值重复的问题
            //就是相同字母组成的字符串，要使他们的hash值不同
            //详细的话可以阅读下面链接的文章
            
			hash *= 31;
		}

		return hash;
	}
};
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

各种字符串Hash函数

Ⅲ. unordered_map和unordered_set的模拟实现

Ⅲ.ⅠHashBucket的改造

①模板参数的改造

首先我们为了兼容map和set所以我们要进行模板参数的改造将以前的

	//修改前	
	template<class K, class V>
	struct HashNode
	{
		HashNode<K, V>* _next;
		pair<K, V> _kv;

		HashNode(const pair<K, V>& kv)
			:_kv(kv)
			,_next(nullptr)
		{}
	};
	//修改后
	//这里之后map的T就实例化为pair
	//set就实例化为K
	template<class T>
	struct HashNode
	{
		HashNode<T>* _next;
		T _data;
		//同样的构造函数我们也进行了修改
		HashNode(const T& data)
			:_data(data)
			, _next(nullptr)
		{}
	};

//修改前
template<class K, class V, class Hash = HashFunc<K>>
	class HashTable
    {
        //...
    }
//修改后
//第二个参数更换成了T，兼容map和set。
//同时添加了KeyOfT的仿函数参数，以便HashTable内部进行比较时的需要
template<class K, class T, class KeyOfT, class Hash>
	class HashTable
    {
        //...
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

②增加迭代器的操作

首先我们构造一个迭代器的类

//前置声明，因为我们要在迭代器的类中用到HashTable来声明变量类型
	template<class K, class T, class KeyOfT, class Hash>
	class HashTable;
//Ref参数表示引用，Ptr参数代表指针
	template<class K, class T, class Ref, class Ptr, class KeyOfT ,class Hash>
	struct _HashIterator
	{
        //我们typedef节点，HashTable.
        //这里的Self，这个Self虽然看起来和最后一个变量类型一样
        //其实不同，第四个变量类型只能是普通迭代器，而Self是根据
        //_HashIterator的不同而不同，_HashIterator如果是const迭代器
        //那么他就是const迭代器，_HashTable是普通迭代器那么他就是普通迭代器
		typedef HashNode<T> Node;
		typedef HashTable<K, T, KeyOfT, Hash> HT;
		typedef _HashIterator<K, T, Ref, Ptr, KeyOfT, Hash> Self;
		typedef _HashIterator<K, T, T&, T*, KeyOfT, Hash> Iterator;
		//迭代器的两个内部变量
         //一个存储节点指针，一个存储HashTable
		Node* _node;
		//选用const是为了适配const迭代器
		const HT*  _ht;


		//这里的const是同样的道理适配const迭代器
		_HashIterator(Node* node, const HT* ht)
			:_node(node)
			, _ht(ht)
		{}

		//拷贝构造
		//const迭代器就是构造
		//普通迭代器是拷贝构造
		_HashIterator(const Iterator& it)
			:_node(it._node)
			, _ht(it._ht)
		{}

		Ref operator*()
		{
			return _node->_data;
		}
		
		Ptr operator->()
		{
			return &_node->_data;
		}

		bool operator!=(const Self& s)
		{
			return _node != s._node;
		}


		Self& operator++()
		{
			KeyOfT kot;
			Hash hash;
			//当前的桶还没走完
			if (_node->_next != nullptr)
			{
				_node = _node->_next;
			}
			else
			{
				//用哈希函数算出当前的位置
				size_t hashi = hash(kot(_node->_data)) % _ht->_tables.size();
				hashi++;
				while (hashi < _ht->_tables.size())
				{
					//如果找到当前桶内有值的桶
					if (_ht->_tables[hashi])
					{
						_node = _ht->_tables[hashi];
						break;
					}
					//否则的话继续寻找
					else
					{
						hashi++;
					}
				}
				//如果找完还没有找到那就是没有数据了
				if (hashi == _ht->_tables.size())
				{
					_node = nullptr;
				}
			}
			return *this;
		}

	};


	template<class K, class T, class KeyOfT, class Hash>
	class HashTable
	{
		//这里的友元声明是为了可以让_HashIterator访问HashTable内部的_tables的私有变量
		template<class K, class T, class Ref, class Ptr, class KeyOfT, class Hash>
		friend struct _HashIterator;
		
		typedef HashNode<T> Node;
	public:
		typedef _HashIterator<K, T, T&, T*, KeyOfT, Hash> iterator;
		typedef _HashIterator<K, T, const T&, const T*, KeyOfT, Hash> const_iterator;
        //....
    }
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106

③通过Key获取Value的操作

这个操作的话主要是涉及到map，因为map天生支持下标访问的操作，那么我们如何改造呢

首先我们要进行insert的改造

//返回值变成迭代器和是否插入成功的pair
pair<iterator, bool> Insert(const T & data)
		{
			KeyOfT kot;
			Hash hash;
    		//首先我们用Find去寻找当前要插入的值是否已经存在了
			iterator it = Find(kot(data));
			if (it != end())
			{
				return make_pair(it, false);
			}
			//载荷因子为1，我们选择扩容
			if (_n == _tables.size())
			{
				//size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;
                //这里用stl库中的方式避免了size为零的情况，并且使得每次扩容的空间更加合理
				size_t newsize = GetNextPrime(_tables.size());
				vector<Node*> newht(newsize, nullptr);
				Node* cur = nullptr;
                //遍历原来的HashTable，将原来表中的数据重新映射到新表
				for (auto cur : _tables)
				{
					while (cur)
					{
						Node* next = cur->_next;
						//用kot仿函数获取_data的key
                          //Hash函数用来计算哈希值
						size_t hashi = hash(kot(cur->_data)) % newht.size();

						//头插到新的表中
						cur->_next = newht[hashi];
						newht[hashi] = cur;

						cur = next;
					}
				}
                //更新_tables中存储的表原来的表不用去管，因为他是一个局部变量。
				_tables.swap(newht);
			}

			//头插，先计算哈希值然后在进行计算
			size_t hashi = hash(kot(data)) % _tables.size();
			Node* newnode = new Node(data);
			newnode->_next = _tables[hashi];
			_tables[hashi] = newnode;
    		//载荷因子更新
			_n++;
			return make_pair(iterator(newnode, this), true);
		}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49

然后我们在map的重载运算符[]这样实现

V& operator[](const K& key)
{
    //我们利用insert函数一方面可以实现用[]插入
    //一方面也可以实现用key来修改value
	pair<iterator, bool> ret = insert(make_pair(key, V()));
	return ret.first->second;
}
1
2
3
4
5
6
7

Ⅲ. Ⅱ unordered_map

#pragma once

#include"Hash.h"



namespace xupt
{

	template<class K, class V, class Hash = HashFunc<K>>
	class unordered_map
	{

	public:
		struct MapKeyOfT
		{
		public:
			const K& operator()(const pair<const K, V>& kv)
			{
				return kv.first;
			}
		};

	public:
		typedef typename HashBucket::HashTable<K, pair<const K, V>, MapKeyOfT, Hash>::iterator iterator;
		typedef typename HashBucket::HashTable<K, pair<const K, V>, MapKeyOfT, Hash>::const_iterator const_iterator;
		

	public:
		iterator begin()
		{
			return _ht.begin();
		}

		iterator end()
		{
			return _ht.end();
		}

		const_iterator begin() const
		{
			return _ht.begin();
		}

		const_iterator end() const
		{
			return _ht.end();
		}

		V& operator[](const K& key)
		{
			pair<iterator, bool> ret = insert(make_pair(key, V()));
			return ret.first->second;
		}

		pair<iterator, bool> insert(const pair<const K, V>& kv)
		{
			return _ht.Insert(kv);
		}

		iterator find()
		{
			return _ht.Find();
		}

		bool erase()
		{
			return _ht.Erase();
		}





	private:
		HashBucket:: HashTable<K, pair<const K, V>, MapKeyOfT, Hash> _ht;
	};

	void test_unordered_map()
	{
		unordered_map<int, int> ht;
		ht.insert(make_pair(1, 1));
		ht.insert(make_pair(2, 2));
		ht.insert(make_pair(3, 3));
		auto it = ht.begin();
		while (it != ht.end())
		{
			cout << it->first << ':' << it->second << " ";
			++it;
		}
		cout << endl;
		for (auto& m : ht)
		{
			cout << m.first << " ";
		}
	}

	void test_unordered_map2()
	{
		string arr[] = { "西瓜", "西瓜", "苹果", "西瓜", "苹果", "苹果", "西瓜", "苹果", "香蕉", "苹果", "香蕉", "梨" };
		unordered_map<string, int> countMap;
		for (auto& e : arr)
		{
			countMap[e]++;
		}

		for (auto& kv : countMap)
		{
			cout << kv.first << ":" << kv.second << endl;
		}
	}
	void test_unordered_map3()
	{
		string arr[] = { "西瓜", "西瓜", "苹果", "西瓜", "苹果", "苹果", "西瓜", "苹果", "香蕉", "苹果", "香蕉", "梨" };
		unordered_map<string, int> countMap;
		for (auto& e : arr)
		{
			countMap[e]++;
		}

		unordered_map<string, int> ::iterator it = countMap.begin();
		while (it != countMap.end())
		{
			cout << it->first << ":" << it->second << endl;
			++it;
		}
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128

Ⅲ.Ⅲunordered_set

#pragma once


#include"Hash.h"



namespace xupt
{

	template<class K, class Hash = HashFunc<K>>
	class unordered_set
	{
	public:
		struct SetKeyOfT
		{
		public:
			const K& operator()(const K& key)
			{
				return key;
			}
		};
	public:

		typedef typename HashBucket::HashTable<K, K, SetKeyOfT, Hash> ::const_iterator iterator;
		typedef typename HashBucket::HashTable<K, K, SetKeyOfT, Hash> ::const_iterator const_iterator;

		iterator begin()
		{
			return _ht.begin();
		}

		iterator end()
		{
			return _ht.end();
		}

		const_iterator begin() const
		{
			return _ht.begin();
		}

		const_iterator end() const
		{
			return _ht.end();
		}
		pair<iterator, bool>  insert(const K& key)
		{
			return _ht.Insert(key);
		}

		iterator find()
		{
			return _ht.Find();
		}

		bool erase()
		{
			return _ht.Erase();
		}
	



	private:
		HashBucket :: HashTable<K, K, SetKeyOfT, Hash> _ht;
	};

	void test_unordered_set()
	{
		unordered_set<int> ht;
		ht.insert(1);
		ht.insert(2);
		ht.insert(3);
		unordered_set<int> ::const_iterator it = ht.begin();
		while (it != ht.end())
		{
			cout << *it << endl;
			++it;
		}
		cout << endl;
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83

到这本篇博客的内容就到此结束了。
如果觉得本篇博客内容对你有所帮助的话，可以点赞，收藏，顺便关注一下！
如果文章内容有错误，欢迎在评论区指正