具有32位整数低冲突率的快速string散列algorithm
我有很多不相关的命名的事情，我想快速search。 一个“Aardvark”在任何地方都是一个“土豚”，所以对这个string进行散列和重新使用这个整数对于加快比较速度是很有效的。 整套名称是未知的（随着时间而改变）。 什么是快速string哈希algorithm，将生成小（32或16）位值，并具有低冲突率？
我想看看特定于C / C ++的优化实现。
其中一个FNV变体应该符合您的要求。 它们速度很快，并且产生相当均匀分布的输出。
穆尔哈什是相当不错的。
对于一个固定的string集使用gperf。
如果你的string集更改，你必须select一个哈希函数。 之前已经讨论过这个话题：
当使用hash_map时，在stlstring上使用什么最好的散列algorithm？
在eternalconfuzzled.com还有一篇不错的文章 。
jenkins的一次性string散列应该看起来像这样：
#include <stdint.h> uint32_t hash_string(const char * s) { uint32_t hash = 0; for(; *s; ++s) { hash += *s; hash += (hash << 10); hash ^= (hash >> 6); } hash += (hash << 3); hash ^= (hash >> 11); hash += (hash << 15); return hash; } 另一个可能更好的解决scheme取决于你的用例是internedstring 。 这就是符号如何在Lisp中工作。
internedstring是一个string对象，其值是实际string字节的地址。 所以你通过检查一个全局表来创build一个实际的string对象：如果string在那里，你需要将实例化的string初始化为该string的地址。 如果没有，则插入它，然后初始化您的实习string。
这意味着从同一个string构build的两个string将具有相同的值，这是一个地址。 因此，如果N是系统中的实际string的数量，则其特征为：
- 缓慢的build设（需要查找和可能的内存分配）
- 在并发线程的情况下需要全局数据和同步
- 比较是O（1），因为你比较地址，而不是实际的string字节（这意味着sorting工作正常，但它不会是一个字母sorting）。
干杯，
卡尔
你为什么不使用Boost库？ 他们的散列函数很容易使用，Boost中的大部分内容很快就会成为C ++标准的一部分。 有些已经是了。
加速哈希是一样容易
#include <boost/functional/hash.hpp> int main() { boost::hash<std::string> string_hash; std::size_t h = string_hash("Hash me"); }
你可以在boost.orgfind提升
看看GNU gperf 。
Hsieh哈希函数是相当不错的，并且有一些基准/比较，作为C中的一般哈希函数。取决于你想要什么（这不是完全显而易见的），你可能需要考虑类似cdb的东西。
鲍勃jenkins有许多哈希函数可用 ，所有这些都是快速和低冲突率。
对于一个好的学科来说，这绝对不会迟到，我相信人们会对我的发现感兴趣。
我需要一个散列函数，在阅读了这篇文章并对这里给出的链接进行了一些研究之后，我想出了Daniel J Bernsteinalgorithm的这种变化，我曾经做过一个有趣的testing：
unsigned long djb_hashl(const char *clave) { unsigned long c,i,h; for(i=h=0;clave[i];i++) { c = toupper(clave[i]); h = ((h << 5) + h) ^ c; } return h; }
这种变化散列string忽略情况，这适合我需要散列用户login凭据。 “clave”是西class牙语中的“关键”。 我很抱歉西class牙语，但我的母语和程序写在它上面。
那么，我写了一个程序，将生成用户名从'test_aaaa'到'test_zzzz'，并使string更长 – 我添加到这个列表中的随机域名：'cloud-nueve.com'，'yahoo.com '，'gmail.com'和'hotmail.com'。 因此，他们每个人看起来像：
test_aaaa@cloud-nueve.com，test_aaab@yahoo.com， test_aaac@gmail.com，test_aaad@hotmail.com等。
以下是testing的输出结果：“XXX”和“XXX”的意思是“碰撞XXX和XXX”。 “palabras”的意思是“文字”和“总数”在两种语言中都是相同的。
Buscando Colisiones ...
colision entre'test_phiz@hotmail.com'y'test_juxg@cloud-nueve.com'（1DB903B7）
Colision entre'test_rfhh@hotmail.com'y'test_fpgo@yahoo.com'（2F5BC088）
Colision entre'test_wxuj@hotmail.com'y'test_pugy@cloud-nueve.com'（51FD09CC）
Colision entre'test_sctb@gmail.com'y'test_iohw@cloud-nueve.com'（52F5480E）
Colision entre'test_wpgu@cloud-nueve.com'y'test_seik@yahoo.com'（74FF72E2）
Colision entre'test_rfll@hotmail.com'y'test_btgo@yahoo.com'（7FD70008）
colision entre'test_wcho@cloud-nueve.com'y'test_scfz@gmail.com'（9BD351C4）
Colision entre'test_swky@cloud-nueve.com'y'test_fqpn@gmail.com'（A86953E1）
Colision entre'test_rftd@hotmail.com'y'test_jlgo@yahoo.com'（BA6B0718）
Colision entre'test_rfpp@hotmail.com'y'test_nxgo@yahoo.com'（D0523F88）
colision entre'test_zlgo@yahoo.com'y'test_rfdd@hotmail.com'（DEE08108）
合计：11
Total de Palabras：456976
这还不错，在456,976中有11次碰撞（使用完整的32位长度作为表长度）。
使用5个字符（即从'test_aaaaa'到'test_zzzzz'）运行程序实际上会耗尽构build表的内存。 以下是输出。 '没有干草memoria para插入XXXX（insertadas XXX）'的意思是'没有剩余的内存插入XXX（XXX插入）'。 基本上malloc（）在那个时候失败了。
没有hay memoria para插入'test_epjcv'（insertadas 2097701）。
Buscando Colisiones ...
... 451'colision'串...
共和国总数：451
Total de Palabras：2097701
这意味着在2,097,701个string上只有451个冲突。 请注意，在任何情况下，每个代码都有两个以上的冲突。 我确认这是一个伟大的散列对我来说，因为我需要的是将loginID转换为一个40位唯一的ID索引。 所以我使用它来将login凭证转换为32位散列，并使用额外的8位来处理每个代码多达255次的冲突，这在testing结果中看起来几乎是不可能产生的。
希望这对某人有用。
编辑：
像testing框是AIX，我运行它使用LDR_CNTRL = MAXDATA = 0x20000000给它更多的内存，它运行时间更长，结果在这里：
Buscando Colisiones … Total de Colisiones：2908 Total de Palabras：5366384
在5,366,384次尝试之后，这是2908！
非常重要 ：用-maix64编译程序（所以unsigned long是64位），所有情况下的冲突数是0！
你可以看到.NET使用reflection器的String.GetHashCode（）方法。
我猜测微软花了相当多的时间来优化这个。 他们也打印了所有MSDN文档，以便随时更改。 很显然，这是在他们的“性能调整雷达”;-)
对于C ++来说，我也会这么想：
在上一个问题中有一些很好的讨论
以及如何挑选哈希函数的一个很好的概述，以及这里几个常见的分布统计
这里描述的是一个简单的方法来实现它自己： http : //www.devcodenote.com/2015/04/collision-free-string-hashing.html
post的一个片段：
如果说我们有一个大写英文字母的字符集，那么字符集的长度是26，其中A可以用数字0表示，B用数字1表示，C用数字2表示，以此类推直到Z 25.现在，无论何时我们想将这个字符集的string映射到一个唯一的数字，我们执行与二进制格式相同的转换
CRC-32 。 谷歌大约有一万亿个链接。
