PHP关联数组与哈希表(hash table) 不指定
浏览数：29 /
时间：2015年06月09日
PHP中有一种数据类型非常重要，它就是关联数组，又称为哈希表（hash table），是一种非常好用的数据结构。
在程序中，我们可能会遇到需要消重的问题，举一个最简单的模型：
有一份用户名列表，存储了 10000 个用户名，没有重复项；
还有一份黑名单列表，存储了 2000 个用户名，格式与用户名列表相同；
现在需要从用户名列表中删除处在黑名单里的用户名，要求用尽量快的时间处理。
这个问题是一个小规模的处理量，如果实际一点，2 个表都可能很大，比如有 2 亿条记录。
我最开始想到的方法，就是做一个嵌套的循环，设用户名表有 M 条记录，黑名单列表有 N 条记录，那么，循环的次数是 M * N 次！
PHP 版代码：
另一种方式，利用数组索引。
PHP 是一种弱类型的语言，不像 C 语言那样有严格的变量类型限制。C 语言的数组，每一个元素的类型必须一致，而且索引都是从 0 开始。
PHP 的数组，可以用字符串作为索引，也称为关联数组。
数组索引，有一个天然的限制就是不会重复，而且访问的时候不需要查找，可以直接定位。
还是刚才的那个问题，我们采用另一种办法。
把黑名单列表的用户名组织到一个数组里，数组的索引就是用户名。
然后，遍历用户列表的时候，只需直接用 isset 查询那个用户名是否存在即可。
PHP 版代码：
可以看到，优化过的代码，循环次数是 M + N 次。
假如 M 和 N 都是 10000，优化前，循环了 1 亿次；优化后，只循环了 20000 次，差了 5000 倍！
如果第二个程序耗时 1 秒，则第一个程序需要将近一个半小时！
=========================================================================
hash一个貌似比较复杂的东西，实际上理解起来并不那么夸张，这里做个笔记。
hash，中文翻译成杂乱的东西，有人也叫它杂凑，或者翻译成什么都不是的音译“哈希”。
简单说来，hash就是为了把一个复杂的字串，通过一定的转换，得到一个简单的数字（通常是数字）。
如"abcd" 用各个字符的值直接相加，再取对10的余数，既（a+b+c+d），来得到一个数字，比方说结果为5，那么这个5就能在一定意义上代表这个字串 abcd了。或者说这个5也可以说是这个字串的一个标记性的东西，而且是简化了的标记，所以又有人叫这个5为字串的摘要，或指纹。
这个5，有一个好的用处就是可以作为一个数组的下标来用，如我自己构造一个指针数组void* hash_array[10]，那么我就可以把5那个位置上填上一个指针，如指向abcd字串。
这样的话，我如果要去查询一个字串是否存在，就不需要对一个数组使用字符串循环对比这样的慢操作，而直接先得到某个字串的hash值，再用这个hash值，在数组下标里直接找，这样速度要快上很多，特别是数据比较多的时候。
可以看到上面计算hash值时，出来的结果，可能并不是从0开始的，如我们算出的就是5。也就是说，这个5是在数组中的某个不确定的位置，或者可以叫做是一个杂凑出来的位置。其他位置可能一直就空着在。这就是这个数组或表格叫hash表的原因了。
但有个问题，上面的转换方法，直接相加，再取个余数，在字符串变为abdc时，结果得到的还是数字5。这个就是上面这个算法的一个问题了，即它不能保证一个唯一性。所以就出现了很多hash算法的研究，如MD4，MD5，SHA-1等，来保证唯一性。
但上面这个算法还是可以使用的，做法就是在abdc经过hash得到5后，去检查5是否被占用，如果占用了，那么就把数字加1，即为6，如果6没被占用，就填上值。如果后面某个字串算出一个值是6，但6已经被占用了，那么就再加1，再存。
取数据的时候，可以先算出hash值后，再看里面的内容是不是你想要的，如果不是，就加1去看，最后得到一个。
所以这里hash表的内容并不是象一般的数组最开始就组织好了的，而是后续慢慢往里增加的。
hash表里存的内容一般可以是一个指针，这个指针可以指向一个大的结构也是可以的。这个结构里可以有key, value信息。
hash表也可以不是数组，你可以把它组织成一个链表，链表里的node的结构中可以有一个参数就是那个数字的hash_value，用来快速查找用。
虽然在很多时候hash被用在加密等场合，但在一般的应用程序代码中，也可以用它来存贮简单的数据，这样代码的效率会高很多。
在程序中，我们可能会遇到需要消重的问题，举一个最简单的模型：
有一份用户名列表，存储了 10000 个用户名，没有重复项；
还有一份黑名单列表，存储了 2000 个用户名，格式与用户名列表相同；
现在需要从用户名列表中删除处在黑名单里的用户名，要求用尽量快的时间处理。
这个问题是一个小规模的处理量，如果实际一点，2 个表都可能很大，比如有 2 亿条记录。
我最开始想到的方法，就是做一个嵌套的循环，设用户名表有 M 条记录，黑名单列表有 N 条记录，那么，循环的次数是 M * N 次！
PHP 版代码：
01 <?php
02 foreach($arrayM as $keyM => $nameM) {
03 foreach($arrayN as $nameN) {
04 if ($nameM == $nameN) {
05 // 本行执行了 M * N 次！
06 unset($arrayM[$keyM]);
07 }
08 }
09 }
10 return $arrayM;
11 ?>
02 foreach($arrayM as $keyM => $nameM) {
03 foreach($arrayN as $nameN) {
04 if ($nameM == $nameN) {
05 // 本行执行了 M * N 次！
06 unset($arrayM[$keyM]);
07 }
08 }
09 }
10 return $arrayM;
11 ?>
另一种方式，利用数组索引。
PHP 是一种弱类型的语言，不像 C 语言那样有严格的变量类型限制。C 语言的数组，每一个元素的类型必须一致，而且索引都是从 0 开始。
PHP 的数组，可以用字符串作为索引，也称为关联数组。
数组索引，有一个天然的限制就是不会重复，而且访问的时候不需要查找，可以直接定位。
还是刚才的那个问题，我们采用另一种办法。
把黑名单列表的用户名组织到一个数组里，数组的索引就是用户名。
然后，遍历用户列表的时候，只需直接用 isset 查询那个用户名是否存在即可。
PHP 版代码：
01 <?php
02 $arrayHash = array();
03 foreach($arrayN as $nameN) {
04 // 本行执行了 N 次。
05 $arrayHash[$nameN] = 1;
06 }
07
08 foreach($arrayM as $keyM => $nameM) {
09 if (isset($arrayHash[$nameM])) {
10 // 本行执行了 M 次！
11 unset($arrayM[$keyM]);
12 }
13 }
14 return $arrayM;
15 ?>
02 $arrayHash = array();
03 foreach($arrayN as $nameN) {
04 // 本行执行了 N 次。
05 $arrayHash[$nameN] = 1;
06 }
07
08 foreach($arrayM as $keyM => $nameM) {
09 if (isset($arrayHash[$nameM])) {
10 // 本行执行了 M 次！
11 unset($arrayM[$keyM]);
12 }
13 }
14 return $arrayM;
15 ?>
可以看到，优化过的代码，循环次数是 M + N 次。
假如 M 和 N 都是 10000，优化前，循环了 1 亿次；优化后，只循环了 20000 次，差了 5000 倍！
如果第二个程序耗时 1 秒，则第一个程序需要将近一个半小时！
=========================================================================
hash一个貌似比较复杂的东西，实际上理解起来并不那么夸张，这里做个笔记。
hash，中文翻译成杂乱的东西，有人也叫它杂凑，或者翻译成什么都不是的音译“哈希”。
简单说来，hash就是为了把一个复杂的字串，通过一定的转换，得到一个简单的数字（通常是数字）。
如"abcd" 用各个字符的值直接相加，再取对10的余数，既（a+b+c+d），来得到一个数字，比方说结果为5，那么这个5就能在一定意义上代表这个字串 abcd了。或者说这个5也可以说是这个字串的一个标记性的东西，而且是简化了的标记，所以又有人叫这个5为字串的摘要，或指纹。
这个5，有一个好的用处就是可以作为一个数组的下标来用，如我自己构造一个指针数组void* hash_array[10]，那么我就可以把5那个位置上填上一个指针，如指向abcd字串。
这样的话，我如果要去查询一个字串是否存在，就不需要对一个数组使用字符串循环对比这样的慢操作，而直接先得到某个字串的hash值，再用这个hash值，在数组下标里直接找，这样速度要快上很多，特别是数据比较多的时候。
可以看到上面计算hash值时，出来的结果，可能并不是从0开始的，如我们算出的就是5。也就是说，这个5是在数组中的某个不确定的位置，或者可以叫做是一个杂凑出来的位置。其他位置可能一直就空着在。这就是这个数组或表格叫hash表的原因了。
但有个问题，上面的转换方法，直接相加，再取个余数，在字符串变为abdc时，结果得到的还是数字5。这个就是上面这个算法的一个问题了，即它不能保证一个唯一性。所以就出现了很多hash算法的研究，如MD4，MD5，SHA-1等，来保证唯一性。
但上面这个算法还是可以使用的，做法就是在abdc经过hash得到5后，去检查5是否被占用，如果占用了，那么就把数字加1，即为6，如果6没被占用，就填上值。如果后面某个字串算出一个值是6，但6已经被占用了，那么就再加1，再存。
取数据的时候，可以先算出hash值后，再看里面的内容是不是你想要的，如果不是，就加1去看，最后得到一个。
所以这里hash表的内容并不是象一般的数组最开始就组织好了的，而是后续慢慢往里增加的。
hash表里存的内容一般可以是一个指针，这个指针可以指向一个大的结构也是可以的。这个结构里可以有key, value信息。
hash表也可以不是数组，你可以把它组织成一个链表，链表里的node的结构中可以有一个参数就是那个数字的hash_value，用来快速查找用。
虽然在很多时候hash被用在加密等场合，但在一般的应用程序代码中，也可以用它来存贮简单的数据，这样代码的效率会高很多。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
