HashSet的实现（下）

在HashSet的实现（上）中，简要介绍了散列法（hashing）的内容，并以二次探测法实现了一个简单的HashSet。在本文中，将进一步讨论散列法，尤其是GetHashCode方法的实现，最后给出完整的HashSet实现。

散列法再议

通过散列法实现的容器，不管是HashSet、Hashtable还是Dictionary，需要支持的基本操作是insert、remove和find，特别是insert和find，三个操作的时间复杂度期望是O(1)。

散列法的使用过程中，主要有两个问题：

1. 散列函数的实现；
2. 冲突的解决办法；

下面将在上篇的基础上进一步讨论这两个问题的解决方案。

散列函数的实现

一般情况下，要存储的元素（key/k）类型可能有多种，可能取值的集合为K，它的个数为，实际需要insert的个数为n。现在要把这些元素存放在大小为M的数组内，这样我们就需要一个函数h: K -> {0, 1, …, M-1}，它可以将元素k映射到数组的一个有效下标，这个函数就是所谓的散列函数（hash function），可以记为h(k, M)。一个好的散列函数需要具备如下特性：

1. 容易计算（主要是指散列函数的时间复杂度为常数时间）。
2. 将元素均匀地映射到数组中，减少冲突的可能；

进一步，可以将h(k, M)视为如下两个函数f、g的复合函数：

f和g对h需要具备的两个特性，都会有所影响。

g将f返回的一个int值映射到{0, 1, …, M-1}，常规方法是除法散列法（Division Method），即g(k) = k % M。在应用除法散列法时，需要主要M值的选取。比如，M不应是2的幂，如果M=，则 k % M的值就是k的二进制表示的p个最低位数字，要满足特性2，可能就会有问题了。可以选做M的值常常是与2的幂不太接近的素数。除了除法散列法，还可以选择乘法散列法（Multiplication Method）： 。可分为两步，第一步，用k乘上常数A（0<A<1），取出kA的小数部分，即kA mod 1；第二步，用M乘以小数部分，取其下取整。

相比较而言，f的实现要复杂很多。首先，用作key的值的类型多种多样，包括各种自定义类型，另一方面要考虑h的两个特性。大体上，可以将f对应于object.GetHashCode()方法。默认情况下，每个类型从object（引用类型）或ValueType（值类型）继承了一个GetHashCode的实现。如果我们将h的两个特性与特定的.NET平台结合起来考虑，实现GetHashCode()的时候需要如下几个规则（rule）：

1. 计算简单；
2. 产生的int值应当是均匀分布的；
3. 如果两个对象相等（由==操作符确定），它们必须产生相同的hashCode；
4. 对于任意一个对象o，o.GetHashCode()的返回值应当是一个实例不变量，即总是返回相同的值。

接下来就来详细地讨论如何实现GetHashCode()方法。

实现GetHashCode()方法

既然每个类型都从object（引用类型）或ValueType（值类型）继承了一个GetHashCode的实现，那还有必要自己实现吗？可以确定的是，没有一种完美的实现可以应用于所有类型，否则一个object.GetHashCode()方法就够了。因为object和ValueType对其派生类的可能信息一无所知，所以它们只能提供一个可用的实现，而未必是最佳的。

对于引用类型来说，它继承了object.GetHashCode()，该方法返回在AppDomain内可以唯一标识该对象的值，在对象的整个生命周期内，该值是不变的，但经过垃圾收集之后，这个值可以复用到其它的对象。这个值也等于RuntimeHelpers.GetHashCode()方法的返回值，即使我们为某个类型提供了自己的GetHashCode()实现，RuntimeHelpers.GetHashCode()方法的返回值仍然是那个默认的值。

对于引用类型，默认的==会检查两个对象的引用（identity），如果相等，必然会返回相等的值；而一旦重写了==操作符，就需要同时重写GetHashCode，否则编译器会警告你的。现在看一下上面的f要满足的4个规则，object.GetHashCode()可以满足1、3、4，但规则2未必能满足，它产生的值倾向于使用int的较低位（这个结论来自《Effective C#》，未验证），所以说，object.GetHashCode()是可用的，但可能会在使用Hash容器时出现性能问题。当你创建了新的引用类型，并确定会用做Hash容器的key的话，最好重写GetHashCode方法。

对于值类型来说，它继承了ValueType.GetHashCode()，该方法用到了反射，所以比较慢。关于具体的实现，《CLR via C#》中说是对类型的某些实例字段做了XOR操作，《Effective C#》中说是返回了第一个字段的GetHashCode()。经过测试，应该说ValueType.GetHashCode()是由第一个字段的GetHashCode()决定的，但不相等。ValueType的问题要比object更严重。对于规则1，上面说过，由于反射会比较慢；规则2，说一个极端点儿的情况，如果第一个字段是bool类型的，那会出现怎样的悲剧？；规则3，还是一样，如果重写了==，必须要同时重写GetHashCode()。

对于规则4，就很可能有问题了。 对于一个值类型的实例，它的hashCode取决于第一个字段，如果第一个字段是可修改的，一旦修改，hashCode的值也就改变了。当我们把key加入到Hash容器时它的hashCode是h1，如果后来改成h2，就意味着原来的实例找不到了。。。

总结下来，object.GetHashCode()对引用类型来说是一个正确的实现，但不一定会产生均匀分布的hashCode，GetHashCode必须与==同时重写；ValueType.GetHashCode()较慢，而且仅在第一个字段只读、能提供均匀分布的hashCode时可用。如果在计算hashCode时用到了3个字段，这3个字段应该都要参与到==的实现里；参与到hashCode计算的字段或属性最好设置为只读的。

最好还是看看在.NET Framework中GetHashCode是怎么实现的。

FCL中GetHashCode的实现

  
  

   
    1 
   //
    32位的int
   


    2 
    
   public
    
   override
    
   int
    GetHashCode()


    3 
   {


    4 
       
   return
    
   this
   ;


    5 
   }


    6 
   


    7 
    
   //
    16位的char
   


    8 
    
   public
    
   override
    
   int
    GetHashCode()


    9 
   {


   10 
       
   return
    (
   int
   )(
   this
    
   |
    (
   int
   )
   this
    
   <<
    
   16
   );


   11 
   }


   12 
   


   13 
    
   //
    64位的long
   


   14 
    
   public
    
   override
    
   int
    GetHashCode()


   15 
   {


   16 
       
   return
    (
   int
   )
   this
    
   ^
    (
   int
   )((
   int
   )
   this
    
   >>
    
   32
   );


   17 
   }
  
  

整数类型的实现是最简单的，需要在int内均匀分布，所以像char这样的，要补足32位（通过<<），同时要用到所有的位（像long这样的实现，会用到64位的每一位）。对于复合的值类型，可考虑如下方法：

  
  

   
   1 
   //
    值类型：System.Drawing.Point
   


   2 
    
   public
    
   override
    
   int
    GetHashCode()


   3 
   {


   4 
       
   return
    
   this
   .x 
   ^
    
   this
   .y;


   5 
   }
  
  

对若干字段进行^操作。

对于最常用作key的string类型，它的GetHashCode实现比较复杂，具体的分析可以看这里。唔，关于散列函数h的讨论就先到这里了。

冲突的解决办法

上篇曾介绍过两种方法：线性探测法和二次探测法，它们和更好的双重散列法都属于开放寻址法的范畴，只是探测序列的分布有所不同。在开放寻址法中，所有的元素（key）都放在散列数组本身中，插入新元素时，通过探测序列找到它的合适位置。

而在分离链接法中，把散列到同一槽（slot）的元素都放在一个链表中，这样散列数组存放的只是相对应链表的指针而已，借助于链表，分离链接法实现起来其实更简单，它不需要花费很多心思在那个探测序列的选择上。

可以看到，要对散列法、散列函数有全面的认识，为类型提供良好的GetHashCode()实现都不是容易的事情。最好的办法还是借助于ILSpy这样的反编译工具去看一下FCL中HashSet<T>、Dictionary<K, V>和Hashtable的实现，园子里有些这方面的文章。关于Hash，就到这里，余下的部分将讨论ISet的实现。

ISet接口简介

ISet<T>继承了IEnumerable<T>和ICollection<T>，前面讨论过的insert、find、remove操作对应ICollection<T>的Add、Contains和Remove方法。ISet<T>本身的方法几乎都是（除了Add）关于两个集合间的操作的，比如求交集、并集、差集，判断是否是另一集合的子集等等，这些实现起来不难，差不多就是把集合操作的定义搬过来就行了，这里就不再赘述了。

根据《数据结构与问题求解Java语言描述》和FCL的HashSet<T>代码写了一个简单的HashSet实现，没有经过严格的测试，可以当作伪代码来参考一下:)

参考

《数据结构与问题求解》
《算法导论》
《CLR via C#》
《Effective C#》
Hash Function
Hash Table
string.GetHashCode()
ILSpy

本文转自一个程序员的自省博客园博客，原文链接：http://www.cnblogs.com/anderslly/archive/2011/06/17/hashset-part2.html，如需转载请自行联系原作者