Posted on 2007-08-20 00:01
花之剑 阅读(934)
评论(0) 编辑 收藏 所属分类:
c/c++ & algorithm
字符串hash算法比较
2007-06-03 11:29
字符串的算法一般大公司都会考到，我们首先要想到高效的hash。如百度查找一组字符串是否出现在某个文本中，这个不是考什么kmp，他们想听到的是hash。趋势科技考的是从某个文本中删除一组字符串，我想也是要hash吧。
1 概述
| 链表查找的时间效率为O(N)，二分法为log2N，B+ Tree为log2N，但Hash链表查找的时间效率为O(1)。 |
设计高效算法往往需要使用 Hash链表，常数级的 查找速度是任何别的算法无法比拟的， Hash链表的构造和冲突的不同实现方法对效率当然有一定的影响，然 而 Hash函数是 Hash链表最核心的部分，本文尝试分析一些经典软件中使用到的字符串 Hash函数在执行效率、离散性、空间利用率等方面的性能问题。
| 作者阅读过大量经典软件原代码，下面分别介绍几个经典软件中出现的字符串Hash函数。 |
| static unsigned long hashpjw(char *arKey, unsigned int nKeyLength) |
| char *arEnd=arKey+nKeyLength; |
| if ((g = (h & 0xF0000000))) { |
| unsigned long lh_strhash(char *str) |
| if (str == NULL) return(0); |
| /* The following hash seems to work very well on normal text strings |
| * no collisions on /usr/dict/words and it distributes on %2^n quite |
| * well, not as good as MD5, but still good. |
| unsigned long lh_strhash(const char *c) |
| if ((c == NULL) || (*c == '\0')) |
| return(b[0]|(b[1]<<8)|(b[2]<<16)|(b[3]<<24)); |
| 在下面的测量过程中我们分别将上面的两个函数标记为OpenSSL_Hash1和OpenSSL_Hash2，至于上面的实现中使用MD5算法的实现函数我们不作测试。 |
| #ifndef NEW_HASH_FUNCTION |
| /* Calc hashvalue for a key */ |
| static uint calc_hashnr(const byte *key,uint length) |
| register uint nr=1, nr2=4; |
| nr^= (((nr & 63)+nr2)*((uint) (uchar) *key++))+ (nr << 8); |
| /* Calc hashvalue for a key, case indepenently */ |
| static uint calc_hashnr_caseup(const byte *key,uint length) |
| register uint nr=1, nr2=4; |
| nr^= (((nr & 63)+nr2)*((uint) (uchar) toupper(*key++)))+ (nr << 8); |
| * The basis of the hash algorithm was taken from an idea sent by email to the |
| * IEEE Posix P1003.2 mailing list from Phong Vo (kpv@research.att.com) and |
| * Glenn Fowler (gsf@research.att.com). Landon Curt Noll (chongo@toad.com) |
| * later improved on their algorithm. |
| * The magic is in the interesting relationship between the special prime |
| * 16777619 (2^24 + 403) and 2^32 and 2^8. |
| * This hash produces the fewest collisions of any function that we've seen so |
| * far, and works well on both numbers and strings. |
| uint calc_hashnr(const byte *key, uint len) |
| for (hash = 0; key < end; key++) |
| hash ^= (uint) *(uchar*) key; |
| uint calc_hashnr_caseup(const byte *key, uint len) |
| for (hash = 0; key < end; key++) |
| hash ^= (uint) (uchar) toupper(*key); |
| Mysql中对字符串Hash函数还区分了大小写，我们的测试中使用不区分大小写的字符串Hash函数，另外我们将上面的两个函数分别记为MYSQL_Hash1和MYSQL_Hash2。 |
| unsigned int hash(char *str) |
| register unsigned char *p; |
| for(h=0, p = (unsigned char *)str; *p ; p++) |
| 从上面给出的经典字符串Hash函数中可以看出，有的涉及到字符串大小敏感问题，我们的测试中只考虑字符串大小写敏感的函数，另外在上面的函数中有的函数 需要长度参数，有的不需要长度参数，这对函数本身的效率有一定的影响，我们的测试中将对函数稍微作一点修改，全部使用长度参数，并将函数内部出现的计算长 度代码删除。 |
| 我们用来作测试用的Hash链表采用经典的拉链法解决冲突，另外我们采用静态分配桶（Hash链表长度）的方法来构造Hash链表，这主要是为了简化我们的实现，并不影响我们的测试结果。 |
| 测试文本采用单词表，测试过程中从一个输入文件中读取全部不重复单词构造一个Hash表，测试内容分别是函数总调用次数、函数总调用时间、最大拉链长度、 平均拉链长度、桶利用率（使用过的桶所占的比率），其中函数总调用次数是指Hash函数被调用的总次数，为了测试出函数执行时间，该值在测试过程中作了一 定的放大，函数总调用时间是指Hash函数总的执行时间，最大拉链长度是指使用拉链法构造链表过程中出现的最大拉链长度，平均拉链长度指拉链的平均长度。 |
| PIII600笔记本，128M内存，windows 2000 server操作系统。 |
| 以下分别是对两个不同文本文件中的全部不重复单词构造Hash链表的测试结果，测试结果中函数调用次数放大了100倍，相应的函数调用时间也放大了100倍。 |
从上表可以看出，这些经典软件虽然构造字符串Hash函数的方法不同，但是它们的效率都是不错的，相互之间差距很小，读者可以参考实际情况从其中借鉴使用。
|