原

ELFhash - 優(yōu)秀的字符串哈希算法

分類：算法雜論算法精講數(shù)據(jù)結(jié)構(gòu)

?（1424）??（2）

1.字符串哈希：

我們先從字符串哈希說(shuō)起 在很多的情況下，我們有可能會(huì)獲得大量的字符串，每個(gè)字符串有可能重復(fù)也有可能不重復(fù) C不像Python有字典類型的數(shù)據(jù)結(jié)構(gòu)，我們沒(méi)有辦法吧字符串當(dāng)做是鍵值來(lái)保存，所以說(shuō)我們需要一種hash函數(shù)將每個(gè)字符串都盡可能減少?zèng)_突的情況下去應(yīng)設(shè)一個(gè)唯一的整形數(shù)據(jù)，方便我們的保存，這里我們就引入了字符串hash算法
現(xiàn)在，有非常多的字符串hash算法都很優(yōu)秀，本文主要面對(duì)ELFhash算法來(lái)表述，相對(duì)來(lái)說(shuō)比較的清晰

2.ELFhash

首先我需要聲明，字符串hash算法ELFhash的算法的形成的三列的均勻性我不會(huì)證明 根據(jù)其他的大牛的描述，ELFhash算法對(duì)于長(zhǎng)字符串和短字符串都有優(yōu)良的效率，以下的數(shù)據(jù)援引劉愛(ài)貴大神的實(shí)驗(yàn)數(shù)據(jù)：

Hash應(yīng)用中，字符串是最為常見(jiàn)的關(guān)鍵字，應(yīng)用非常普通，現(xiàn)在的程序設(shè)計(jì)語(yǔ)言中基本上都提供了字符串hash表的支持。字符串hash函數(shù)非常多，常見(jiàn)的主要有Simple_hash, RS_hash, JS_hash, PJW_hash, ELF_hash, BKDR_hash, SDBM_hash, DJB_hash, AP_hash, CRC_hash等。它們的C語(yǔ)言實(shí)現(xiàn)見(jiàn)后面附錄代碼: hash.h, hash.c。那么這么些字符串hash函數(shù)，誰(shuí)好熟非呢？評(píng)估hash函數(shù)優(yōu)劣的基準(zhǔn)主要有以下兩個(gè)指標(biāo)：

(1)?散列分布性

即桶的使用率backet_usage = (已使用桶數(shù)) / (總的桶數(shù))，這個(gè)比例越高，說(shuō)明分布性良好，是好的hash設(shè)計(jì)。

(2) 平均桶長(zhǎng)

即avg_backet_len，所有已使用桶的平均長(zhǎng)度。理想狀態(tài)下這個(gè)值應(yīng)該=1，越小說(shuō)明沖突發(fā)生地越少，是好的hash設(shè)計(jì)。

hash函數(shù)計(jì)算一般都非常簡(jiǎn)潔，因此在耗費(fèi)計(jì)算時(shí)間復(fù)雜性方面判別甚微，這里不作對(duì)比。

?

評(píng)估方案設(shè)計(jì)是這樣的：

(1) 以200M的視頻文件作為輸入源，以4KB的塊為大小計(jì)算MD5值，并以此作為hash關(guān)鍵字;

(2) 分別應(yīng)用上面提到的各種字符串hash函數(shù)，進(jìn)行hash散列模擬；

(3) 統(tǒng)計(jì)結(jié)果，用散列分布性和平均桶長(zhǎng)兩個(gè)指標(biāo)進(jìn)行評(píng)估分析。

?

測(cè)試程序見(jiàn)附錄代碼hashtest.c，測(cè)試結(jié)果如下表所示。從這個(gè)結(jié)果我們也可以看出，這些字符串hash函數(shù)真是不相仲伯，難以決出高低，所以實(shí)際應(yīng)用中可以根據(jù)喜好選擇。當(dāng)然，最好實(shí)際測(cè)試一下，畢竟應(yīng)用特點(diǎn)不大相同。其他幾組測(cè)試結(jié)果也類似，這里不再給出。

Hash函數(shù)	桶數(shù)	Hash調(diào)用總數(shù)	最大桶長(zhǎng)	平均桶長(zhǎng)	桶使用率%
simple_hash	10240	47198	16	4.63	99.00%
RS_hash	10240	47198	16	4.63	98.91%
JS_hash	10240	47198	15	4.64	98.87%
PJW_hash	10240	47198	16	4.63	99.00%
ELF_hash	10240	47198	16	4.63	99.00%
BKDR_hash	10240	47198	16	4.63	99.00%
SDBM_hash	10240	47198	16	4.63	98.90%
DJB_hash	10240	47198	15	4.64	98.85%
AP_hash	10240	47198	16	4.63	98.96%
CRC_hash	10240	47198	16	4.64	98.77%

所以實(shí)際應(yīng)用中我們可以隨便的選取，本文針對(duì)ELFhash

3.原理：

首先，我們?cè)陂_(kāi)始之前需要明確幾點(diǎn) 1.unsigned int有4個(gè)字節(jié)，32個(gè)比特位 2.異或操作中0是單位元，任何數(shù)與1異或相當(dāng)于取反 3.unsigned無(wú)符號(hào)類型的數(shù)據(jù)右移操作均是執(zhí)行邏輯右移（左高位自動(dòng)補(bǔ)0） 4.ELFhash算法的核心在于“影響“
先附上代碼： [cpp]?view plain?copy ?

1. unsigned?int?ELFhash(char?*str)??
2. {??
3. ????unsigned?int?hash=0;??
4. ????unsigned?int?x=0;??
5. ????while(*str)??
6. ????{??
7. ????????hash=(hash<<4)+*str;?????//1??
8. ????????if((x=hash?&?0xf0000000)!=0)?????????//2??
9. ????????{??
10. ????????????hash^=(x>>24);???//影響5-8位，雜糅一次???3??
11. ????????????hash&=~x;???//清空高四位????4??
12. ????????}??
13. ????????str++;???//5??
14. ????}??
15. ????return?(hash?&?0x7fffffff);????//6???
16. }??

解釋： 首先我們的hash結(jié)果是一個(gè)unsigned int類型的數(shù)據(jù)： 0000 0000 0000 0000 1.hash左移4位，將str插入（一個(gè)char有八位）這里我開(kāi)始也一直是懷疑的態(tài)度，那么第一個(gè)字節(jié)的高四位不就亂了嗎 實(shí)際上這也是我們的第一次雜糅，我們是故意這么做的，這里我們需要注意標(biāo)記一下，我們?cè)诘谝粋€(gè)字節(jié)的高四位做了第一次雜糅 2.x這里用0xf0000000獲取了hash的第四個(gè)字節(jié)的高四位，并用高四位作為掩碼做第二次雜糅 在這里我們首先聲明一下，因?yàn)槲覀兊腅LFhash強(qiáng)調(diào)的是每個(gè)字符都要對(duì)最后的結(jié)構(gòu)有影響，所以說(shuō)我們左移到一定程度是會(huì)吞掉最高的四位的，所以說(shuō)我們要將最高的四位先對(duì)串產(chǎn)生影響，再讓他被吞掉，之后的所有的影響都是疊加的，這就是多次的雜糅保證散列均勻，防止出現(xiàn)沖突的大量出現(xiàn) 3.x掩碼右移24位移動(dòng)到剛才的5-8位哪里在對(duì)5-8位進(jìn)行第二次雜糅 4.我們定時(shí)清空高四位，實(shí)際上這部操作我們完全沒(méi)有必要，但是算法要求，因?yàn)槲覀兿乱淮蔚淖笠茣?huì)自動(dòng)吞掉這四位//這里存疑，不會(huì)減少我們的hash的范圍？ 5.str遞增，引入下一個(gè)字符進(jìn)行雜糅 6.返回一個(gè)缺失了最高符號(hào)位的無(wú)符號(hào)數(shù)（為了之后防止用到了有符號(hào)的時(shí)候造成的溢出）作為最后的hash值

4.Code:

[cpp]?view plain?copy ?

1. /*#include"iostream"?
2. #include"cstdio"?
3. #include"cstring"?
4. ?
5. using?namespace?std;?
6. ?
7. unsigned?int?a=0x80;?
8. ?
9. int?main()?
10. {?
11. ????printf("%d\n",a>>1);???//無(wú)符號(hào)數(shù)實(shí)行邏輯右移??
12. ????return?0;?
13. }?*/??
14. ??
15. #include"iostream"??
16. #include"cstdio"??
17. #include"cstring"??
18. ??
19. using?namespace?std;??
20. ??
21. unsigned?int?ELFhash(char?*str)??
22. {??
23. ????unsigned?int?hash=0;??
24. ????unsigned?int?x=0;??
25. ????while(*str)??
26. ????{??
27. ????????hash=(hash<<4)+*str;??
28. ????????if((x=hash?&?0xf0000000)!=0)??
29. ????????{??
30. ????????????hash^=(x>>24);???//影響5-8位，雜糅一次???
31. ????????????hash&=~x;???//清空高四位???
32. ????????}??
33. ????????str++;??
34. ????}??
35. ????return?(hash?&?0x7fffffff);???
36. }??
37. ??
38. int?main()??
39. {??
40. ????char?data[100];??
41. ????memset(data,0,sizeof(data));??
42. ????scanf("%s",data);??
43. ????printf("%d\n",ELFhash(data));??
44. ????return?0;??
45. }???

最后，按照我的思路來(lái)看的話，ELFhash最多可以散列的空間的大小是幾個(gè)億的數(shù)據(jù)？如果去掉hash&=~x這一句的話會(huì)不會(huì)擴(kuò)大我們hash的范圍，盡可能利用空間，我下星期問(wèn)問(wèn)數(shù)據(jù)結(jié)構(gòu)老師好了！

5.應(yīng)用：

我們?cè)趯?duì)內(nèi)存地址的進(jìn)行的操作的時(shí)候，可以將數(shù)據(jù)的內(nèi)存地址進(jìn)行哈希 因?yàn)槊總€(gè)數(shù)據(jù)的內(nèi)存地址都是唯一的，所以我們只需要一步獲取內(nèi)存地址的十六進(jìn)制的表示就可以了 語(yǔ)句是 [cpp]?view plain?copy ?

1. sprintf(data,"%0x",&now_data);??

第一個(gè)data保存我們的保留字符串的內(nèi)存空間（字符串?dāng)?shù)組） 中間的是保存的進(jìn)制的形式 最后是我們的要取地址的內(nèi)存空間
利用這種思路，我們可以很清晰明了的對(duì)鏈表相交的問(wèn)題構(gòu)建一種新的解法，我們采用哈希我們的內(nèi)存空間就可以了，可以再O(n)中完成查找

總結(jié)

以上是生活随笔為你收集整理的ELFhash - 优秀的字符串哈希算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。