`

为什么Java String哈希乘数为31?

阅读更多

发表文章之后,发现很多图片显示不了,请阅读我的公众号文章,以获得本文最佳体验:

为什么Java String哈希乘数为31?

 

前面简单介绍了[ 经典的Times 33 哈希算法 ],这篇我们通过分析Java 1.8 String类的哈希算法,继续聊聊对乘数的选择。

String类的hashCode()源码

/** Cache the hash code for the string */
private int hash;

/** 
Returns a hash code for this string. The hash code for a String object is computed as 
 s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]
using int arithmetic, where s[i] is the ith character of the string, 
n is the length of the string, and ^ indicates exponentiation. 
(The hash value of the empty string is zero.) 
*/

public int hashCode() {
    int h = hash;
    if (h == 0 && value.length > 0) {
        char val[] = value;

        for (int i = 0; i < value.length; i++) {
            h = 31 * h + val[i];
        }
        hash = h;
    }
    return h;
}

可以看到,String的哈希算法也是采用了Times 33的思路,只不过乘数选择了31。

其中

  • hash默认值为0.
  • 判断h == 0是为了缓存哈希值.
  • 判断value.length > 0是因为空字符串的哈希值为0.

用数据说话

前一篇我们提到:

这个神奇的数字33,为什么用来计算哈希的效果会比其他许多常数(无论是否为质数)更有效,并没有人给过足够充分的解释。因此,Ralf S. Engelschall尝试通过自己的方法解释其原因。通过对1到256中的每个数字进行测试,发现偶数的哈希效果非常差,根据用不了。而剩下的128个奇数,除了1之外,效果都差不多。这些奇数在分布上都表现不错,对哈希表的填充覆盖大概在86%。

从哈希效果来看(Chi^2应该是指卡方分布),虽然33并不一定是最好的数值。但17、31、33、63、127和129等相对其他的奇数的一个很明显的优势是,由于这些奇数与16、32、64、128只相差1,可以通过移位(如1 << 4 = 16)和加减1来代替乘法,速度更快

那么接下来,我们通过实验数据,来看看偶数、奇数,以及17、31、33、63、127和129等这些神奇数字的哈希效果,来验证Ralf S. Engelschall的说法。

环境准备

个人笔记本,Windows 7操作系统,酷睿i5双核64位CPU。

测试数据:CentOS Linux release 7.5.1804的/usr/share/dict/words字典文件对应的所有单词。

由于CentOS上找不到该字典文件,通过yum -y install words进行了安装。

/usr/share/dict/words共有479828个单词,该文件链接的原始文件为linux.words。

计算冲突率与哈希耗时

测试代码

/**
 * 以1-256为乘数,分别计算/usr/share/dict/words所有单词的哈希冲突率、总耗时.
 * 
 * @throws IOException
 */

@Test
public void testHash() throws IOException {
    List<String> words = getWords();

    System.out.println();
    System.out.println("multiplier, conflictSize, conflictRate, timeCost, listSize, minHash, maxHash");
    for (int i = 1; i <=256; i++) {
        computeConflictRate(words, i);
    }
}

/**
 * 读取/usr/share/dict/words所有单词
 * 
 * @return
 * @throws IOException
 */

private List<String> getWords() throws IOException {
    // read file
    InputStream is = HashConflictTester.class.getClassLoader().getResourceAsStream("linux.words");
    List<String> lines = IOUtils.readLines(is, "UTF-8");
    return lines;
}

/**
 * 计算冲突率
 * 
 * @param lines
 */

private void computeConflictRate(List<String> lines, int multiplier) {
    // compute hash
    long startTime = System.currentTimeMillis();
    List<Integer> hashList = computeHashes(lines, multiplier);
    long timeCost = System.currentTimeMillis() - startTime;

    // find max and min hash
    Comparator<Integer> comparator = (x,y) -> x > y ? 1 : (x < y ? -1 : 0);
    int maxHash = hashList.parallelStream().max(comparator).get();
    int minHash = hashList.parallelStream().min(comparator).get();

    // hash set
    Set<Integer> hashSet = hashList.parallelStream().collect(Collectors.toSet());

    int conflictSize = lines.size() - hashSet.size();
    float conflictRate = conflictSize * 1.0f / lines.size();
    System.out.println(String.format("%s, %s, %s, %s, %s, %s, %s", multiplier, conflictSize, conflictRate, timeCost, lines.size(), minHash, maxHash));
}

/**
 * 根据乘数计算hash值
 * 
 * @param lines
 * @param multiplier
 * @return
 */

private List<Integer> computeHashes(List<String> lines, int multiplier) {
    Function<String, Integer> hashFunction = x -> {
        int hash = 0;
        for (int i = 0; i < x.length(); i++) {
            hash = (multiplier * hash) + x.charAt(i);
        }
        return hash;
    };
    return lines.parallelStream().map(hashFunction).collect(Collectors.toList());
}

执行测试方法testHash(),稍等片刻后,我们将得到一份测试报告。

哈希冲突率降序排序

通过对哈希冲突率进行降序排序,得到下面的结果。

结果分析

  • 偶数的冲突率基本都很高,只有少数例外。
  • 较小的乘数,冲突率也比较高,如1至20。
  • 乘数1、2、256的分布不均匀。Java哈希值为32位int类型,取值范围为[-2147483648,2147483647]。

哈希冲突率降序排序哈希冲突率降序排序

哈希耗时降序排序

我们再对冲突数量为1000以内的乘数进行分析,通过对执行耗时进行降序排序,得到下面的结果。

分析17、31、33、63、127和129

  • 17在上一轮已经出局。
  • 63执行计算耗时比较长。
  • 31、33的冲突率分别为0.13%、0.14%,执行耗时分别为10、11,实时基本相当
  • 127、129的冲突率分别为0.01%、0.004%,执行耗时分别为9、10

总体上看,129执行耗时低,冲突率也是最小的,似乎先择它更为合适?

哈希耗时降序排序哈希耗时降序排序

哈希分布情况

将整个哈希空间[-2147483648,2147483647]分为128个分区,分别统计每个分区的哈希值数量,以此来观察各个乘数的分布情况。每个分区的哈希桶位为2^32 / 128 = 33554432。

之所以通过分区来统计,主要是因为单词数太多,尝试过画成图表后密密麻麻的,无法直观的观察对比。

计算哈希分布代码

@Test
public void testHashDistribution() throws IOException {
    int[] multipliers = {21731336312773133237161};
    List<String> words = getWords();
    for (int multiplier : multipliers) {
        List<Integer> hashList = computeHashes(words, multiplier);
        Map<Integer, Integer> hashMap = partition(hashList);
        System.out.println("\n" + multiplier + "\n,count");
        hashMap.forEach((x, y) -> System.out.println(x + "," + y));
    }
}

/**
 * 将整个哈希空间等分成128份,统计每个空间内的哈希值数量
 * 
 * @param hashs
 */

public static Map<Integer, Integer> partition(List<Integer> hashs) {
    // step = 2^32 / 128 = 33554432
    final int step = 33554432;
    List<Integer> nums = new ArrayList<>();
    Map<Integer, Integer> statistics = new LinkedHashMap<>();
    int start = 0;
    for (long i = Integer.MIN_VALUE; i <= Integer.MAX_VALUE; i += step) {
        final long min = i;
        final long max = min + step;
        int num = (int) hashs.parallelStream().filter(x -> x >= min && x < max).count();

        statistics.put(start++, num);
        nums.add(num);
    }

    // 为了防止计算出错,这里验证一下
    int hashNum = nums.stream().reduce((x, y) -> x + y).get();
    assert hashNum == hashs.size();

    return statistics;
}

生成数据之后,保存文本为csv后缀,通过Excel打开。再通过Excel的图表功能,选择柱状图,生成以下图表。

乘数2乘数2乘数17乘数17乘数31乘数31乘数33乘数33乘数73乘数73乘数127乘数127乘数133乘数133乘数161乘数161乘数237乘数237

除了2和17,其他数字的分布基本都比较均匀。

总结

现在我们基本了解了Java String类的哈希乘数选择31的原因了,主要有以下几点。

  • 31是奇素数。
  • 哈希分布较为均匀。偶数的冲突率基本都很高,只有少数例外。较小的乘数,冲突率也比较高,如1至20
  • 哈希计算速度快。可用移位和减法来代替乘法。现代的VM可以自动完成这种优化,如31 * i = (i << 5) - i
  • 31和33的计算速度和哈希分布基本一致,整体表现好,选择它们就很自然了。

当参与哈希计算的项有很多个时,越大的乘数就越有可能出现结果溢出,从而丢失信息。我想这也是原因之一吧。

尽管从测试结果来看,比31、33大的奇数整体表现有更好的选择。然而31、33不仅整体表现好,而且32的移位操作是最少的,理论上来讲计算速度应该是最快的。

最后说明一下,我通过另外两台Linux服务器进行测试对比,发现结果基本一致。但以上测试方法不是很严谨,与实际生产运行可能存在偏差,结果仅供参考。

几个常用实现选项

values chosen to initialize h and a for some of the popular implementationsvalues chosen to initialize h and a for some of the popular implementations

其中

  • INITIAL_VALUE:哈希初始值。Java String的初始值hash=0。
  • a:哈希乘数。Java String的哈希乘数为31。

 

参考

https://stackoverflow.com/questions/299304/why-does-javas-hashcode-in-string-use-31-as-a-multiplier

https://segmentfault.com/a/1190000010799123

https://en.wikipedia.org/wiki/Universal_hashing

《Effective Java中文版本》第2版

 

转载请注明来源:http://zhanjia.iteye.com/blog/2426892

 

个人公众号

二进制之路

 

分享到:
评论

相关推荐

    Java哈希表性能优化

    ### Java哈希表性能优化 #### 一、引言 随着现代软件开发中对高性能数据结构的需求日益增加,Java作为一种广泛应用的编程语言,其内置的数据结构优化变得尤为重要。Java的`java.util`包中提供了多种数据结构,其中...

    最快的排序算法 java实现哈希算法-Java–哈希算法–最快的实现,排序算法数据结构

    在 Java 中,我们可以使用 String 的 getBytes() 方法将输入字符串转换为字节序列,然后使用 MessageDigest 类将字节序列转换为哈希值。 然而,在 Java 中实现哈希算法时,我们需要考虑速度和安全性两个方面。速度...

    哈希表.java Java对哈希表的操作

    哈希表 哈希表.java Java对哈希表的操作

    哈希计算工具 java-hash

    在软件开发和信息安全领域,哈希算法扮演着至关重要的角色,它能够将任意长度的数据转换为固定长度的输出,这个输出被称为哈希值。哈希计算工具能够帮助开发者快速地对数据进行验证、存储和比较。 哈希算法的特点...

    Java_Datastructure.rar_java 哈希_java 哈希表

    在这个名为"Java_Datastructure.rar"的压缩包中,我们主要关注的是"java 哈希"和"java 哈希表"的相关知识。 哈希,也称为散列,是一种快速查找数据的方法,它通过计算一个叫做哈希函数的过程将任意长度的输入(也...

    基于java的哈希计算工具 java-hash.zip

    哈希函数是一种将任意长度输入(也叫做预映射)通过特定算法转化为固定长度输出的函数。这个输出通常被称为哈希值或消息摘要。哈希函数的重要特性包括:不可逆性、碰撞避免和均匀分布。在Java中,最常见的哈希函数库...

    java源码:哈希计算工具 java-hash.7z

    在Java编程领域,哈希计算工具是至关重要的,它们用于生成数据唯一标识,常用于数据校验、存储索引和快速查找。这个"java-hash.7z"压缩包包含了一个Java实现的哈希计算工具,这是一份经典的学习资源,可以帮助开发者...

    Java 之 String 类型

    在Java编程语言中,String类型扮演着至关重要的角色。它被广泛用于表示和操作文本,因为它是不可变的,这确保了字符串的安全性和效率。本文将深入探讨Java中的String类,包括其特性、构造方法、常用方法以及与其他...

    java哈希遍历_哈希遍历_

    在Java编程中,哈希遍历(Hash Traversal)通常是指对哈希表或映射数据结构(如HashMap)中的键值对进行访问的过程。哈希表是一种高效的数据存储方式,它通过计算对象的哈希码来快速定位数据,使得查找、插入和删除...

    java中的String类常用方法解析(一)

    在Java编程语言中,`String`类是使用最频繁的类之一,它代表不可变的字符序列。本文将深入解析`String`类的一些常用方法,帮助开发者更好地理解和使用这个核心类。 1. **构造方法** - `String()`:创建一个空字符...

    Java String对象的经典问题

    ### Java String对象的经典问题 #### 一、String 类与对象机制概述 在Java中,`String`类是一个非常重要的类,它提供了丰富的功能用于处理文本数据。`String`类是不可变的(immutable),这意味着一旦一个`String`...

    获取哈希及获取哈希算法标识demo-java

    在IT领域,哈希(Hash)函数是一种将任意长度的数据转换为固定长度输出的函数,通常用于数据的校验、加密以及数据索引等场景。Java作为一种广泛使用的编程语言,提供了丰富的API来支持哈希计算。这个“获取哈希及...

    哈希表java代码

    在Java中,我们通常使用`HashMap`类来实现哈希表,但这里提到的是自定义实现哈希表的Java代码。这个压缩包包含三个文件:`HashTable.java`、`Info.java`和`TestHashTable.java`,分别代表哈希表的实现、存储的数据...

    Java对象哈希映射库JOhm.zip

    JOhm 是一个 Java 的对象哈希映射库,用于在 Redis 中存储 Java 对象。JOhm 基于 Jedis 开发。 示例代码: jedisPool = new JedisPool(new Config(), "localhost");  JOhm.setPool(jedisPool); User ...

    JAVA源码哈希计算工具java-hash

    JAVA源码哈希计算工具java-hash

    java资源哈希计算工具java-hash

    java资源哈希计算工具 java-hash提取方式是百度网盘分享地址

    Java中的String为什么是不可变的?-String源

    String在Java中被实现为一个final类,这意味着它不能被继承。此外,它的构造函数创建了一个字符数组,并将其保存在名为value的私有final字段中。由于final关键字的使用,这个数组的引用不能改变,也就意味着字符串...

    MD5Util_newspaper4pi_java_哈希值_MD5Util获取hash_

    在Java编程中,MD5(Message-Digest Algorithm 5)是一种常用的哈希算法,能将任意长度的信息映射为128位的二进制数,通常以32位十六进制数表示,因此被称为32位哈希值。 标题"MD5Util_newspaper4pi_java_哈希值_MD...

    基于Java的哈希计算工具 Java-hash.zip

    本篇将深入探讨Java中的哈希算法和其在Java-hash.zip压缩包中的应用。 首先,哈希(Hash)函数是将任意长度的输入(也叫做预映射pre-image)通过特定算法转换成固定长度输出的过程,这个输出就是哈希值或散列值。在...

    练习JAVA语句中的String

    字符串在Java中被视为不可变对象,这意味着一旦创建了一个`String`对象,就不能更改它的值。下面我们将深入探讨`String`类的一些关键知识点,以及如何通过练习来熟练掌握它们。 1. **创建String对象**: - 字面量...

Global site tag (gtag.js) - Google Analytics