hash table 也叫做时 “散列表”、哈希表

redis的数据结构也有用到这个数据结构。哈希表用的时数组支持下标随机访问数据的特性，所以哈希表其实就是数组得一种扩展，是由数组演化而来的。

  

通过hash函数得到的hash值有一下几个特点：

1、hash函数得到的 value值 是一个非负整数

2、如果key相同 通过hash函数得到的 value值肯定相同

3、如果key不相同的话，通过hash函数得到的value不一定不同(涉及到了哈希冲突问题)

 

相对于哈希冲突而言，业界比较著名的哈希算法函数 MD5、SHA、CRC 都不发完全避免哈希冲突的问题。数组得存储空间有限，也会加大哈希冲突的概率。

以下为解决hash冲突问题的方法：

 

1、开放寻址法

　　开发寻址法的核心思想，hash(key)得到的hash值，在哈希表中找到下标值，发现已经被占用了，就会从存储位置下一个开始进行探测寻找，寻找没有被占用的空闲位置，

找到了位置以后将数据存入。如果发现找到尾部以后都被占用，则会从头开始继续寻址，直到找到为止。数据量大的话，性能会就下降

       

　　查找操作：

      通过hash(key) 查找该hash值对应的数据时，会通过hash函数得到一个hash值，然后比较数组种下标为散列值得数据和要查找的元素是否相等，不相等则顺序往后查找，

如果遍历到空闲位置还没有找到的话就返回为 未找到。

 

      删除操作：

　　在hash表中是否可直接删除一个数据，然后将hash表中直接置为空呢？！其实时不可以的，因为在查找数据的过程中，遇到空闲位置时，则认为该数据不存在hash表中，所以如果在hash表中删除一个

一个数据时将位置 设置为空，会造成查找数据出现问题。解决方案就是将删除的数据置位deleted ，这样在查找数据时就会跳过继续查找下一个位置。

 

2、链表法

     hash表有一个指标来表示hash冲突严重程度：

    hash表装载因子 = 填入表中的元素个数 / hash表长度；

    "hash表装载因子" 这个值越大表明hash冲突越严重，hash表的性能就会下降的。

 

下面一个比较常用的解决hash冲突的办法就是 链表法 。在hash表有一个概念叫做hash槽，每个hash槽会对应一个链表，所有的通过hash函数得到的散列值相同的元素会放在相同的hash槽位对应的链表中。

 

插入数据：

　　通过hash函数查询到对应的hash槽位，将数据插入到对应链表的中。这个插入数据的时间复杂度时O(1)

查找、删除数据：

     　查找数据、删除数据时，通过hash函数得到的哈希值，找到对应的哈希槽位，遍历槽位对应的链表，找到要删除或查找的数据进行对应的操作。

这个时间复杂度取决于hash槽位对应的链表的长度。

比如：元素个数为n个

       　hash槽位有m个

那时间复杂度就是 O(n/m)

3、hash槽动态扩容法--rehash

　　当装载因子过大时，会自动启动扩容，需要重新申请内存空间，重新计划哈希值位置，并且需要搬移数据。

　　装载因子设置一个阈值，当大于阈值时启动扩容，这个阈值设置需要权衡好，太大容易造成哈希冲突严重，太小容易造成内存空间的浪费，申请的内存大小时原来的2倍。

　　

　　假如一个数据量很大的数据，当达到设置的阈值时，需要进行数据搬移，但是数据太大了，一次性搬移会很耗时也会造成阻塞，所以在需要插入新数据时就会把数据插入到hash表中，并且从从旧的hash表中迁移一部分数据到新的hash表中，一直重复，直到旧的hash数据全部迁移到新的hash中，这样就不会一次性迁移了，插入的数据的速度会更快。

 

　　查询数据过程中，如果处于时新旧hash表迁移数据，需要先查询旧的hash表，没有查到再次查询新的hash表