概念：哈希即可以是一种数据结构，也可以是一种函数概念

通过某种函数(hashFunc)使元素的存储位置与它的关键码之间能够建立一一映射的关系，那么在查找时通过该函数可以很快找到该元素。

哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称为哈希表(Hash Table)(或者称散列表)

哈希算法不过是一个均匀的运算，它的输入可以是字符串，可以是数据，可以是任何文件，经过哈希运算后，变成一个固定长度的输出， 该输出就是哈希值。但是哈希算法有一个很大的特点，就是你不能从结果推算出输入,所以又称为不可逆的算法

哈希的特性

• 不可逆 ： 就如同你可以通过x*y=z得到z，但你不能确定z=x*y，xy一定刚刚的数
   
• 运算快：20G高清电影和一个5K文本文件复杂度相同，计算量都极小。越巧妙的hash函数碰撞越少，空间利用率越高
• 结果均匀：哈希函数计算出来的地址能均匀分布在整个空间中，这时hash函数的设计原则

常见哈希函数

直接定制法–(常用)
取关键字的某个线性函数为散列地址：Hash（Key）= A*Key + B优点：简单、均匀缺点：需要事先知道关键字的分布情况使用场景：适合查找比较小且连续的情况。

除留余数法–(常用)
设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址。

哈希冲突

哈希冲突是不可避免的

当计算出的hash值相同时，就会发生哈希冲突。常用的解决哈希冲突的方法有两种：

1.闭散列（开放定址法）

当发生哈希冲突时，如果哈希表未被装满，说明在哈希表中必然还有空位置，那么可以把key存放到冲突位置中的“下一个” 空位置中去。那如何寻找下一个空位置呢？

其中最简单的就是线性探测

• 若没有冲突则直接插入值
• 若有冲突则向后查找至空位插入值

 但这么做有弊端：

一旦发生哈希冲突，所有的冲突连在一起，容易产生数据“堆积”（查找时会多次重复比较，大大降低查找效率）即“踩踏效应”

二次探测：线性探测的缺陷是产生冲突的数据堆积在一块，这和找下一个空位置有关系，因为找空位置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题，他不再是挨着找下一个空位置，而是平方式的跳跃找下一个空位置，这样冲突就不会堆积在一片，而是会相对散开一些。

一个新的知识点：载荷因子

α是散列表装满程度的标志因子。由于表长是定值，α与“填入表中的元素个数”成正比，所以，α越大，填入表中的元素较多，产生冲突的可能性就越大；α越小，填入表中的元素较少，产生冲突的可能性就越小
通常，只要a取的合适（一般取0.7-0.8之间），哈希表的平均查找长度就会是常数也就是O（1）级别的。

 Golang语言中map结构的载荷因子为6.5 但长度为8

闭散列（开放定址法）的删除

采用闭散列处理哈希冲突时，不能随便物理删除哈希表中已有的元素，若直接删除元素会影响其他元素的搜索。

好比上面图中的数字11，删除11之后，查找5却找到了11的位置，查询11没有数字，就会误报。

闭散列最大的缺陷就是空间利用率比较低，这也是哈希的缺陷

2.开散列   又名链地址法(开链法)

 首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中

 首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一子集合，每一个子集合称为一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中

GO的map底层bucket桶即使用这个方法 

那如果就是出现了极端的情况，所有的数此时都冲突到一个桶中，那么这个桶中的数据就会太多了，应该怎么办？

1. 将此时的链表改换挂红黑树
2. 多阶哈希（不常使用）