基于英文单词的快速HASH索引算法.docVIP

基于英文单词的快速HASH索引算法选择自 tarkey 的 Blog因为有项目需要，要做一个类似ispell的软件，其中会产生大量的对单词的查找操作，于是经过一翻研究，得出以下HASH算法，经过验证比一般的查表的FNV HASH算法产生的分布曲线基本没什么两样，并且在大部分的不同字典下，本算法要比查表的FNV HASH算法表现出速度更快，分布更均匀。但是因为是实验结果，所以暂时还没得出有效的数学推论，但是从大量的不同的字典测试数据来看，此算法确实效率不错。由于以前没有涉及过相关的纯算法的设计，所以刚刚开始的时候，打算随便选用一种HASH，比如说用%除大质数，然后借此搭建一个比较强壮的测试环境，然后打算根据测试结果来改进HASH算法的模型。最开始，我的HASH函数是这样的：unsigned int hash_func(char *str, int len){?????register unsigned int sum = 0;?????register char *p = str;?????while(p - str len)??????????sum += *(p++);?????return?sum % MAX_PRIME_LESS_THAN_HASH_LEN;}非常简单，但是这是绝对不可取的，通过这个函数，我选取了一个23w词的字典做为测试，当HASH SIZE=1024的时候，得到了以下的图象： 看得出震荡幅度相当大，那么如何来改进呢？首先想到可能产生的冲突的是这种情况：abcd和acbd，对于这两种单词来说，如果用上面的HASH函数，就一定会发生碰撞，为什么呢？因为每个字符少了关于它自己的位置信息，于是第一次改进版本的HASH函数就给每个字符加上了它的位置信息，将上面所描述的函数改进为： unsigned int hash_func(char *str, int len){?????register unsigned int sum = 0;?????register char *p = str;?????while(p - str len)??????????sum += *(p++) * (p–str);?????return?sum % MAX_PRIME_LESS_THAN_HASH_LEN;} 得到以下图象： 某种程度上来说，比不带位置信息产生的分布图要好多了，但是仍然非常的不均匀。那么接来分析产生分布不均匀的原因，因为是用的乘法，所以仍然太过于依赖字母产生的结果了。于是改用XOR操作，选用以下函数： unsigned int hash_func(char *str, int len){?????register unsigned int sum = 0;?????register char *p = str;?????while(p - str len)??????????sum += (*(p++) * (p–str)) ^ sum;?????return?sum % MAX_PRIME_LESS_THAN_HASH_LEN;} 得到以下图象： 上图虽然震荡幅度比较，不过做出来的regression line明显比上两张图片平得多了。但是结果仍然非常不好，从800到100的range太大。原因还是因为数据分布得不够均匀，于是思考单独的用加法来算是不是不太好，根据其他查表类HASH算法的过程，发现其大多都用了高低位来组合成最后的结果，于是我也采用了他们的方法： unsigned int hash_func(char *str, int len){?????register unsigned int sum = 0;  register unsigned int h = 0;?????register unsigned short *p = (unsigned short *)str; register unsigned short *s = (unsigned short *)str;?????while(p - s len)  {??????????register unsigned short a = *(p++) * (p-s); sum += sum ^ a;  h += a; }?????return?((sum 16) | h) % MAX_PRIME_LESS_THAN_HASH_LEN;} 得到最终近似完美的图象： 最后得出结论，不用查表的方法，而通过字符串本身的位置对字符本身进行修正的方法也能得到结果相当满意的H