探索NSDictionary的实现原理 一、定义： 二、哈希表 NSDictionary的官方文档 三、优化点：
NSDictionary（字典）是使用hash表来实现key和value映射和存储。
二、哈希表
1、定义：
哈希表本质是一个数组，数组中每一个元素称为一个桶bucket，bucket中存放的是键值对，整个数组叫做Buckets 或者 Bucket Array
2、特点：
空间复杂度有可能非常大，是以空间换时间的典型代表，时间复杂度趋近于 O(1）
3、hash表的过程图
hash表存储过程简单介绍：
- 根据key值计算出它的hashCode为H；
- 假设表，箱子的个数是N，那么键值对应该放在下标为（H%N）的箱子中。
- 如果该箱子中已经有了键值对，就产生哈希冲突（转4）
解读过程：
1、用key通过哈希函数得到索引index （整个过程是 O(1)）
2、根据index定位到数组元素，并拿到value （整个过程是 O(1)）
4、哈希冲突
1、开放定址法：
按照一定的规则向其他地址探测，直到找到空桶（比如，线性向下，数值的平房向下1^2,2^2,3^2,4^2……）
2、再哈希法：设计多个哈希函数
3、链地址法：通过链表、二叉树等发生将同一个index的元素串起来
拉链法的优势
与开放定址线性探测法相比，拉链法有以下几个优势：- ①、拉链法处理冲突简单，且无堆积现象，即非同义词决不会发生冲突，所以平均查找长度较短；- ②、因为拉链法中各链表上的结点空间是动态申请的，故它更适合于造表前没法肯定表长的状况；- ③、开放定址线性探测发为减小冲突，要求负载因子较小，故当结点规模较大时会浪费不少空间。④、在用拉链法构造的散列表中，删除结点的操做易于实现。只要简单地删去链表上相应的结点便可。而对开放定址线性探测发构造的散列表，删除结点不能简单地将被删结 点的空间置为空，不然将截断在它以后填入散列表的同义词结点的查找路径。这是由于各类开放定址线性探测法中，空地址单元(即开放地址)都是查找失败的条件。所以在用开放定址线性探测发处理冲突的散列表上执行删除操做，只能在被删结点上作删除标记，而不能真正删除结点。
拉链法的缺点
指针须要额外的空间，故当结点规模较小时，开放定址线性探测法较为节省空间，而若将节省的指针空间用来扩大散列表的规模，可以使负载因子变小，这又减小了开放定址线性探测法中的冲突，从而提升平均查找速度。
开放定址线性探测法缺点
- - 一、容易产生堆积问题；
- - 二、不适于大规模的数据存储；
- - 三、散列函数的设计对冲突会有很大的影响；
- - 四、结点规模很大时会浪费不少空间；
总结：当可以预估表时，并且规模较小时 优先选择开放定址线性探测法。
NSDictionary的官方文档
解释一：是使用NSMapTable实现的，采用拉链法解决哈希冲突
解释二：是对_CFDictionary的封装，解决哈希冲突使用的是开放定址线性探测法
从上面的数据结构可以看出内部使用了两个指针数组分别保存keys和values。采用的是 连续方式 存储键值对。拉链法会将key和value包装成一个结果存储（链表结点），而上面的结构拥有keys和values两个数组（开放寻址线性探测法解决哈希冲突的用的就是两个数组），说明两个数据是被分开存储的，而不是拉链法。
根据数据结构，猜测解决哈希冲突是用开放定址法。
这样把一些不连续的key-value值插入到了能建立起关系的hash表中，当我们查找的时候，key根据哈希值算出来索引，直接index访问 hash表keys和hash表values，这样查询速度就可以和连续线性存储的数据一样接近O(1)了，只是占用空间有点大，性能就很强悍。
如果删除的时候，也会根据_maker标记逻辑上的删除，除非NSDictionary（NSDictionary本体的hash值就是count）内存被移除。
验证：
1、hashCode相等，但 isEqual 不等，模拟哈希冲突
结果： 由于打印出来的value和存储的顺序相同，推断出是线性解决冲突
结论：由于验证效果，模拟哈希冲突，打印出value和存储数据顺序是完全一样的，任务NSDictionary用的是开放定址线性探测法。
三、优化点：
1、哈希函数
设计一个优秀的哈希算法总结了须要满足几点要求：
- 从哈希值不能反向推导出原始数据（因此哈希算法也叫单向哈希算法）；
- 对输入数据很是敏感，哪怕原始数据只修改了一个 Bit，最后获得的哈希值也大不相同；
- 散列冲突的几率要很小，对于不一样的原始数据，哈希值相同的几率很是小；
- 哈希算法的执行效率要尽可能高效，针对较长的文本，也能快速地计算出哈希值。
1、java的哈希函数的步骤（用key拿到index）
A、先生成key的哈希值P（必须是整数）
B、让key的哈希值P和哈希表的容量大小N做取模运算，生成一个索引值index
这里取模运算用&代替%运算（前提：数组长度设计为2^n (2的幂)）
优化成
这个table.length - 1 转换 就是11111，任何事和都是111的做&运算，都得 0-table.length - 1 中，就等到了 余数。
在java中 Long，Double类型是用数据的前32bit 和 其 后 32bit 做 ^ (与或运算)。（因为 坚持对象所有内容都参与哈希值计算原则 ）
举个例子：
再 以1234为例子
1234 = 1 * 10^3 + 2 * 10 ^2 + 3 * 10^2 + 4
= [( ( 1 * 10 + 2 ) * 10 + c ) * 10 + 4 ]
java中把10 设置为31，（31*i 可以优化成 【（i << 5）- i 】 ）
对31的解释：
31是一个寄素数，素数和其他数相乘的结果比其他方式更容易产生唯一性，减少哈希冲突，最终选择31是经过观测分布结果后的选择。
注意：
如果想自定义对象哈希值时，注意需要hashCode和equals两个函数都重写
需要把对象的所有属性都用到计算哈希值，这样可以减小哈希冲突
2、哈希扩容：
背景：当存储的元素个数越来越多，在hash表长度不变的前提下，发生哈希冲突的概率就会变大，查找性能就变低了。所以当负载因子达到一定的值，hash表会进行自动扩容。
负载因子(load factor)：总键值对数量 / 箱子个数
扩容方法：
负载因子是哈希表的一个重要属性，用来衡量哈希表的空/满程度，负载因子越大，意味着哈希表越满，越容易致使冲突，性能也就越低。因此当负载因子大于某个常数（也许是0.75）时，哈希表将自动扩容。哈希表扩容时，通常会建立两倍于原来的数组长度。所以即便key的哈希值没有变化，对数组个数取余的结果会随着数组个数的扩容发生变化，所以键值对的位置都有可能发生变化，这个过程也成为重哈希（rehash）。
3、哈希表在OC中应用：