c语言数据结构实现-哈希表/哈希桶（hashtable/hashbucket）

一、需求

以“key-value”的形式进行插入、查询、删除，是否可以考虑牺牲空间换时间的做法？

二、相关知识

哈希表（Hashtable）又称为“散列表”，Hashtable是会根据索引键的哈希程序代码组织成的索引键（Key）和值（Value）配对的集合。Hashtable 对象是由包含集合中元素的哈希桶（Bucket）所组成的。而Bucket是Hashtable内元素的虚拟子群组，可以让大部分集合中的搜寻和获取工作更容易、更快速。[1]

哈希函数（Hash Function）为根据索引键来返回数值哈希程序代码的算法。索引键（Key）是被存储对象的某些属性值（Value）。当对象加入至 Hashtable时，它存储在与对象哈希程序代码相符的哈希程序代码相关的Bucket中。当在Hashtable内搜寻值时，哈希程序代码会为该值产生，并且会搜寻与该哈希程序代码相关的Bucket。例如，student和teacher会放在不同的Bucket中，而dog和god会放在相同的 Bucket中。所以当索引键是唯一从Hashtable获取元素的性能时表现会较好。[1]

哈希表的优势体现在于空间换时间上，在设计哈希表时需要注意以下情况[2]：

1）Hash函数的选择，一个好的哈希函数可以均匀地将数据样本散列到表中；

2）冲突的解决方法，常用的冲突处理就是拉链法，即出现冲突时以链表的形式扩展；

3）表大小与关键字个数的平衡，设表大小为M，关键字个数为N，当装填因子（k=N/M）越大则冲突越严重；

三、源码实现

先放一个图例，Hashtable由多个Bucket组成，Bucket以HashKey值为索引，每个Bucket中存放着所有HashKey相同的(Key, Value)

如图所示，BucketNum = 5, DataNum = 7, 可见 k = 1.4 有一些冲突，更能很好地看出拉链法是如何解决冲突问题的：

如Key=A Key=E Key=F 算出来的 HKey 均为1，所以(A, ValueA) (B, ValueB) (C, ValueC) 均放入HKey = 1 的 Bucket中；

程序源码源于Linux内核源码修改：linux-3.10.25/security/selinux/ss/hashtab.c

以下直接分析源码，先上结构体，其中hashtab标识了整个hash表，而**htable 为buckets集合，hashtab_node则是链表节点

仔细看了一下，他这种写法灵活性非常强，首先(key, datum)分别为指针，按照调用者的用法就是外部申请好datum空间，告诉接口key 进行索引管理，而接口内部并不关心datum是什么内容，查询的时候只需要再把datum指针返回给调用者；

然后在主体结构hashtab中，预留了回调函数hash_value、keycmp，我理解就是相当于c++模板、java抽象类的思路，调用者的key可以是int、long、char*任何类型的，只需要定义好相关的合理实现即可；

struct hashtab_node {
    void *key;
    void *datum;
    struct hashtab_node *next;
};

struct hashtab {
    struct hashtab_node **htable;                               /* hash table */
    u32 size;                                                   /* number of slots in hash table */
    u32 nel;                                                    /* number of elements in hash table */
    u32 (*hash_value)(struct hashtab *h, void *key);            /* hash function */
    int (*keycmp)(struct hashtab *h, void *key1, void *key2);   /* key comparison function */
};

初始化则申请空间，并对回调函数进行赋值操作，由于是内核态编程，用户态编程则用 calloc/malloc 去变通一下即可

struct hashtab *hashtab_create(u32 (*hash_value)(struct hashtab *h, void *key),
                               int (*keycmp)(struct hashtab *h, void *key1, void *key2),
                               u32 size)
{
    struct hashtab *p;
    u32 i;

    p = kzalloc(sizeof(*p), GFP_KERNEL);
    if (p == NULL)
        return p;

    p->size = size;
    p->nel = 0;
    p->hash_value = hash_value;
    p->keycmp = keycmp;
    p->htable = kmalloc(sizeof(*(p->htable)) * size, GFP_KERNEL);
    if (p->htable == NULL) {
        kfree(p);
        return NULL;
    }

    for (i = 0; i < size; i++)
        p->htable[i] = NULL;

    return p;
}

数据插入操作，流程非常明显，先是哈希算法 hvalue=H(key)，定位 h->htablep[hvalue]，如果有冲突则遍历bucket比对节点内部的key值；

但是有一点使用起来不太方便，就是key的保存他使用的是直接指针赋值，若使用同一个变量取地址进行传参，这样将会出现问题；

int hashtab_insert(struct hashtab *h, void *key, void *datum)
{
    u32 hvalue;
    struct hashtab_node *prev, *cur, *newnode;

    if (!h || h->nel == HASHTAB_MAX_NODES)
        return -EINVAL;

    hvalue = h->hash_value(h, key);
    prev = NULL;
    cur = h->htable[hvalue];
    while (cur && h->keycmp(h, key, cur->key) > 0) {
        prev = cur;
        cur = cur->next;
    }

    if (cur && (h->keycmp(h, key, cur->key) == 0))
        return -EEXIST;

    newnode = kzalloc(sizeof(*newnode), GFP_KERNEL);
    if (newnode == NULL)
        return -ENOMEM;
    newnode->key = key;
    newnode->datum = datum;
    if (prev) {
        newnode->next = prev->next;
        prev->next = newnode;
    } else {
        newnode->next = h->htable[hvalue];
        h->htable[hvalue] = newnode;
    }

    h->nel++;
    return 0;
}

了解了插入函数，那么查询函数也不会有太大困难，也是先计算hash值，若有冲突的情况，遍历bucket去查找；

同理可知删除节点也是类似的流程；

void *hashtab_search(struct hashtab *h, void *key)
{
    u32 hvalue;
    struct hashtab_node *cur;

    if (!h)
        return NULL;

    hvalue = h->hash_value(h, key);
    cur = h->htable[hvalue];
    while (cur != NULL && h->keycmp(h, key, cur->key) > 0)
        cur = cur->next;

    if (cur == NULL || (h->keycmp(h, key, cur->key) != 0))
        return NULL;

    return cur->datum;
}

最后是销毁操作，就是遍历所有buckets，逐一销毁；

在这个接口中，我认为是可以扩充的，一是可以加一个 free_callback 帮助用户数据进行销毁；其次传参的时候可以用二级指针，调用结束后外部的变量设置为NULL，避免了野指针的出现；

void hashtab_destroy(struct hashtab *h)
{
    u32 i;
    struct hashtab_node *cur, *temp;

    if (!h)
        return;

    for (i = 0; i < h->size; i++) {
        cur = h->htable[i];
        while (cur != NULL) {
            temp = cur;
            cur = cur->next;
            kfree(temp);
        }
        h->htable[i] = NULL;
    }

    kfree(h->htable);
    h->htable = NULL;

    kfree(h);
}

四、总结

本文简单介绍了哈希表的原理，以及对内核的哈希源码进行了分析，代码里的回调思想是值得推荐的。

对于哈希函数的选择上，若key值为数值型的，最高效的方式就是选择&位运算的算法；若为字符串型则有多种选择的算法如：RS、JS、BKDR等。

在实际的使用中，hash表的可以用于大规模数据下的增加、删除操作；但是若存在一些遍历的需求，hash表在这块的效率不高（需要遍历所有的桶），这些情况则可以考虑别的数据结构如红黑树、B+树等。

参考文章：

[1] http://www.nowamagic.net/academy/detail/3008086

[2] http://blog.csdn.net/freetourw/article/details/53493616

[3] http://blog.chinaunix.net/uid-27213819-id-3794127.html