哈希查找

上篇博客我们说到了，什么是哈希冲突，其实就是再采用哈希函数对输入域进行映射到哈希表的时候，因为哈希表的位桶的数目远小于输入域的关键字的个数，所以，对于输入域的关键字来说，很可能会产生这样一种情况，也就是，一个关键字会映射到同一个位桶中的情况，这种情况就就叫做哈希冲突，解决哈希冲突的有三种方案，一种叫做拉链法（也叫作链接法、链地址法，一个意思），另外三种分别为开发地址法和再散列法。 一、拉链法 上篇博文我们举的例子，HashMap，HashSet其实都是采用的拉链法来解决哈希冲突的，就是在每个位桶实现的时候，我们采用链表（jdk1.8之后采用链表+红黑树）的数据结构来去存取发生哈希冲突的输入域的关键字（也就是被哈希函数映射到同一个位桶上的关键字）。首先来看使用拉链法解决哈希冲突的几个操作： ①插入操作：在发生哈希冲突的时候，我们输入域的关键字去映射到位桶（实际上是实现位桶的这个数据结构，链表或者红黑树）中去的时候，我们先检查带插入元素x是否出现在表中，很明显，这个查找所用的次数不会超过装载因子（n/m:n为输入域的关键字个数，m为位桶的数目），它是个常数，所以插入操作的最坏时间复杂度为O(1)的。 ②查询操作：和①一样，在发生哈希冲突的时候，我们去检索的时间复杂度不会超过装载因子，也就是检索数据的时间复杂度也是O(1)的 ③删除操作

使用哈希加盐法来为密码加密 转自：http://www.cnblogs.com/jfzhu/p/4023439.html 转载请注明出处 （一）为什么要用哈希函数来加密密码 如果你需要保存密码（比如网站用户的密码），你要考虑如何保护这些密码数据，象下面那样直接将密码写入数据库中是极不安全的，因为任何可以打开数据库的人，都将可以直接看到这些密码。 解决的办法是将密码加密后再存储进数据库，比较常用的加密方法是使用哈希函数（Hash Function）。哈希函数的具体定义，大家可以在网上或者相关书籍中查阅到，简单地说，它的特性如下： （1）原始密码经哈希函数计算后得到一个哈希值 （2）改变原始密码，哈希函数计算出的哈希值也会相应改变 （3） 同样的密码，哈希值也是相同的 （4） 哈希函数是单向、不可逆的。也就是说从哈希值，你无法推算出原始的密码是多少 有了哈希函数，我们就可以将密码的哈希值存储进数据库。用户登录网站的时候，我们可以检验用户输入密码的哈希值是否与数据库中的哈希值相同。 由于哈希函数是不可逆的，即使有人打开了数据库，也无法看到用户的密码是多少。 那么存储经过哈希函数加密后的密码是否就是安全的了呢？我们先来看一下几种常见的破解密码的方法。 （二）几种常见的破解密码的方法 最简单、常见的破解方式当属字典破解（Dictionary Attack）和暴力破解（Brute Force

原文： https://www.cnblogs.com/peizhe123/p/5790252.html HashMap 采用一种所谓的“Hash 算法”来决定每个元素的存储位置。当程序执行 map.put(String,Obect)方法 时，系统将调用String的 hashCode() 方法得到其 hashCode 值——每个 Java 对象都有 hashCode() 方法，都可通过该方法获得它的 hashCode 值。得到这个对象的 hashCode 值之后，系统会根据该 hashCode 值来决定该元素的存储位置。源码如下: Java代码 public V put(K key, V value) { if (key == null) return putForNullKey(value); int hash = hash(key.hashCode()); int i = indexFor(hash, table.length); for (Entry<K,V> e = table[i]; e != null; e = e.next) { Object k; //判断当前确定的索引位置是否存在相同hashcode和相同key的元素，如果存在相同的hashcode和相同的key的元素，那么新值覆盖原来的旧值，并返回旧值。 //如果存在相同的hashcode

这一节涉及数学超级多，各种数论知识，各种不明觉厉！ 看了几遍，才勉强看懂一些，所以这 篇稍微简单的介绍着两种hash table, 免得瞎说说错了。 这一讲的主要知识点是： 1. 全域哈希及构造 2. 完美哈希 1. 全域哈希及构造 介绍全域哈希之前，要先讨论一下普通哈希的一个缺点。 举个charles举得那个例子：如果你 和一个竞争对手同时为一家公司做compiler的symbol table, 公司要求你们代码共享 (o(╯□╰)o)，你们做好后公司评判的标准就是 你俩互相提供一些测试样例，谁的效率高就买 谁的。 然后， 普通哈希的缺点 就出来了：对任意的hash函数h,总存在一组keys，使得 , 对某个槽i。即我总可以找到一组键值，让他们都映射到同一个槽里面，这样效率 就跟离链表差不多了 解决的思想就是：独立于键值， 随机 的选择hash 函数。这就跟快排中为避免最差情况时随机化 版本差不多。但是选取hash function的全局域是不能乱定的，否则也打不到理想的性能。 下面就给出全域哈希的定义： 设U是key的全局域， 设\(\mathcal{H}\) 是哈希函数的有限集合，每一个都是将U映射到 {0,1,..,m-1},即table的槽内。 如果对所有不等的\(x,y\in U\),有 换句话说，就是对于任意的不相等key的x和y, 从哈希函数集中选择一个哈希函数

——日拱一卒，不期而至！ 简介 hash是我们工作中经常听到的词，比如哈希表、哈希函数、hashCode、HashTable、HashMap等等，那么它们之间到底有怎样的爱恨情仇呢？来一起看一看吧~~ 数组 讲哈希表之前，我们先来看看数据结构的鼻祖——数组。 数组比较简单，我就不多说了，大家都会都懂，见下图。 数组的下标一般从0开始，依次往后存储元素，查找元素也是一样，只能从头（或从尾）依次查找元素。 比如，要查找4这个元素，从头开始查找的话需要查找3次，从尾的话也需要2次。 早期的哈希表 上面讲了数组的缺点，查找某个元素只能从头或者从尾依次查找元素，直到匹配为止，它的均衡时间复杂是O(n)。 那么，利用数组有没有什么方法可以快速的查找元素呢？ 聪明的程序员哥哥们想到一种方法，通过哈希函数计算元素的值，用这个值确定元素在数组中的位置，这样时间复杂度就能缩短到O(1)了。 比如，有5个元素分别为3、5、4、1，把它们放入到数组之前先通过哈希函数计算位置，精确放置，而不是像简单数组那样依次放置元素。 假如，这里申请的数组长度为8，我们可以造这么一个哈希函数为hash(x) = x % 8，那么最后的元素就变成了下图这样： 这时候我们再查找4这个元素，先算一下它的hash值为hash(4) = 4 % 8 = 4，所以直接返回4号位置的元素就可以了。 进化的哈希表 事情看着挺完美，但是

不知不觉，从第一篇写Redis源码分析开始，已经过了快一个月了，想想自己的进度，简直慢的吓人啊，这样下去不行，后面得加快脚步了。今天分析的是Redis的又一个数据类型—哈希，哈希键的底层编码形式有OBJ_ENCODING_ZIPLIST和OBJ_ENCODING_HT两种，其中，前者的底层数据结构为压缩列表，后者的底层数据结构为字典。如有对这两个结构不清楚的，可以点击跳转去温故复习一下。 Hash概述 前面我们提到，Redis对于其五个对用户公开的数据类型统一采用RedisObject管理。Hash类型只需要修改encoding字段就能表示该对象为一个哈希对象。为了便于大家理解，我还是不厌其烦的先罗列出RedisObject的结构体定义。 typedef struct redisObject { unsigned type:4; // hash类型 unsigned encoding:4; // hash结构，此字段为OBJ_ENCODING_ZIPLIST或OBJ_ENCODING_HT unsigned lru:LRU_BITS; // 上一次操作的时间 int refcount; // 引用计数，便于内存管理 void *ptr; // 指向底层的数据结构 } robj; 如果底层编码是ziplist的话，hash键按照如下方式排列

1 概述 1.1 传统哈希(硬哈希) 分布式系统中，假设有 n 个节点，传统方案使用 mod(key, n) 映射数据和节点。 当扩容或缩容时(哪怕只是增减1个节点)，映射关系变为 mod(key, n+1) / mod(key, n-1)，绝大多数数据的映射关系都会失效。 1.2 一致性哈希(Consistent Hashing) 1997年，麻省理工学院(MIT)的 David Karger 等6个人发布学术论文《Consistent hashing and random trees: distributed caching protocols for relieving hot spots on the World Wide Web（一致性哈希和随机树：用于缓解万维网上热点的分布式缓存协议）》，对于 K 个关键字和 n 个槽位(分布式系统中的节点)的哈希表，增减槽位后，平均只需对 K/n 个关键字重新映射。 1.3 哈希指标 评估一个哈希算法的优劣，有如下指标，而一致性哈希全部满足： 均衡性(Balance)：将关键字的哈希地址均匀地分布在地址空间中，使地址空间得到充分利用，这是设计哈希的一个基本特性。 单调性(Monotonicity): 单调性是指当地址空间增大时，通过哈希函数所得到的关键字的哈希地址也能映射的新的地址空间，而不是仅限于原先的地址空间。或等地址空间减少时

——日拱一卒，不期而至！ 简介 hash是我们工作中经常听到的词，比如哈希表、哈希函数、hashCode、HashTable、HashMap等等，那么它们之间到底有怎样的爱恨情仇呢？来一起看一看吧~~ 数组 讲哈希表之前，我们先来看看数据结构的鼻祖——数组。 数组比较简单，我就不多说了，大家都会都懂，见下图。 数组的下标一般从0开始，依次往后存储元素，查找元素也是一样，只能从头（或从尾）依次查找元素。 比如，要查找4这个元素，从头开始查找的话需要查找3次，从尾的话也需要2次。 早期的哈希表 上面讲了数组的缺点，查找某个元素只能从头或者从尾依次查找元素，直到匹配为止，它的均衡时间复杂是O(n)。 那么，利用数组有没有什么方法可以快速的查找元素呢？ 聪明的程序员哥哥们想到一种方法，通过哈希函数计算元素的值，用这个值确定元素在数组中的位置，这样时间复杂度就能缩短到O(1)了。 比如，有5个元素分别为3、5、4、1，把它们放入到数组之前先通过哈希函数计算位置，精确放置，而不是像简单数组那样依次放置元素。 假如，这里申请的数组长度为8，我们可以造这么一个哈希函数为hash(x) = x % 8，那么最后的元素就变成了下图这样： 这时候我们再查找4这个元素，先算一下它的hash值为hash(4) = 4 % 8 = 4，所以直接返回4号位置的元素就可以了。 进化的哈希表 事情看着挺完美，但是

——日拱一卒，不期而至！ 简介 hash是我们工作中经常听到的词，比如哈希表、哈希函数、hashCode、HashTable、HashMap等等，那么它们之间到底有怎样的爱恨情仇呢？来一起看一看吧~~ 数组 讲哈希表之前，我们先来看看数据结构的鼻祖——数组。 数组比较简单，我就不多说了，大家都会都懂，见下图。 数组的下标一般从0开始，依次往后存储元素，查找元素也是一样，只能从头（或从尾）依次查找元素。 比如，要查找4这个元素，从头开始查找的话需要查找3次，从尾的话也需要2次。 早期的哈希表 上面讲了数组的缺点，查找某个元素只能从头或者从尾依次查找元素，直到匹配为止，它的均衡时间复杂是O(n)。 那么，利用数组有没有什么方法可以快速的查找元素呢？ 聪明的程序员哥哥们想到一种方法，通过哈希函数计算元素的值，用这个值确定元素在数组中的位置，这样时间复杂度就能缩短到O(1)了。 比如，有5个元素分别为3、5、4、1，把它们放入到数组之前先通过哈希函数计算位置，精确放置，而不是像简单数组那样依次放置元素。 假如，这里申请的数组长度为8，我们可以造这么一个哈希函数为hash(x) = x % 8，那么最后的元素就变成了下图这样： 这时候我们再查找4这个元素，先算一下它的hash值为hash(4) = 4 % 8 = 4，所以直接返回4号位置的元素就可以了。 进化的哈希表 事情看着挺完美，但是

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> <p align="right">——日拱一卒，不期而至！</p> 简介 hash是我们工作中经常听到的词，比如哈希表、哈希函数、hashCode、HashTable、HashMap等等，那么它们之间到底有怎样的爱恨情仇呢？来一起看一看吧~~ 数组 讲哈希表之前，我们先来看看数据结构的鼻祖——数组。 数组比较简单，我就不多说了，大家都会都懂，见下图。 数组的下标一般从0开始，依次往后存储元素，查找元素也是一样，只能从头（或从尾）依次查找元素。 比如，要查找4这个元素，从头开始查找的话需要查找3次，从尾的话也需要2次。 早期的哈希表 上面讲了数组的缺点，查找某个元素只能从头或者从尾依次查找元素，直到匹配为止，它的均衡时间复杂是O(n)。 那么，利用数组有没有什么方法可以快速的查找元素呢？ 聪明的程序员哥哥们想到一种方法，通过哈希函数计算元素的值，用这个值确定元素在数组中的位置，这样时间复杂度就能缩短到O(1)了。 比如，有5个元素分别为3、5、4、1，把它们放入到数组之前先通过哈希函数计算位置，精确放置，而不是像简单数组那样依次放置元素。 假如，这里申请的数组长度为8，我们可以造这么一个哈希函数为hash(x) = x % 8，那么最后的元素就变成了下图这样： 这时候我们再查找4这个元素