在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到$lo{g}_{2}N$，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中只对unordered_map和unordered_set进行介绍。

一.unordered_map

1. unordered_map是存储<key, value>键值对的关联式容器，其允许通过keys快速的索引到与其对应的value。
2. 在unordered_map中，键值通常用于惟一地标识元素，而映射值是一个对象，其内容与此键关联。键和映射值的类型可能不同。
3. 在内部,unordered_map没有对<kye, value>按照任何特定的顺序排序, 为了能在常数范围内找到key所对应的value，unordered_map将相同哈希值的键值对放在相同的桶中。
4. unordered_map容器通过key访问单个元素要比map快，但它通常在遍历元素子集的范围迭代方面效率较低。
5. unordered_maps实现了直接访问操作符(operator[])，它允许使用key作为参数直接访问value。
6. 它的迭代器至少是前向迭代器。
7. 它的使用几乎与map一致。

二.底层结构

1.哈希概念

复杂的说

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即O($lo{g}_{2}N$)，搜索的效率取决于搜索过程中元素的比较次数。

理想的搜索方法：可以不经过任何比较，一次直接从表中得到要搜索的元素。如果构造一种存储结构，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

该方式即为哈希(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)

简单的说

上述就是一种k,v的映射关系，为了避免数组越界，我们还会对K(铅笔的号数)进行取模(%capcity)。相信大家也能发现，铅笔的号数肯定远远不止5个，例如：5号铅笔和10号铅笔都会储存在0号位置，这就是下哈希冲突。

2.解决哈希冲突

1.闭散列

闭散列：也叫开放定址法，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。

第一种：线性探测

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。比如删除元素4，如果直接删除掉，44查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。

总的来说，将数据放入hash表时，如果该位置被占据，就向后查找，直到找到空位置进行插入。在查询数据时，一直查询直到找到或者找到空位置或者原点时停止。基于查找时找到空位置时停止，所以删除时就不能直接置空，需要标记该位置已被删除。接下来还有一个难点就是扩容。

根据查找规则来看，如果等hash表填满才扩容，毫无疑问会发生很多冲突，这是很低效的，所以必须有一个扩容规则来判断何时扩容。

enum State
{EXIST,DELETE,EMPTY
};template<class K,class V>
struct HashData//创建hash表的类型
{pair<K, V> _kv;State _state=EMPTY;
};template<class K,class V>
class Hash
{
public:Hash(){_table.resize(10);//初始开10给空间}void insert(const pair<K, V>& kv){//判断是否需要扩容if (n * 10 / _table.size() >= 7){//开一个新的表容量为原来二倍size_t newHash = _table.size() * 2;Hash<K, V>newHT;newHT._table.resize(newHash);//将旧表的值插入到新表里for (size_t i = 0; i < _table.size(); i++){if (_table[i]._state == EXIST)newHT.insert(_table[i]._kv);}//交换新旧表_table.swap(newHT._table);}//线性探测size_t hashi = kv.first % _table.size();//插入位置while (_table[hashi]._state == EXIST)//判断应该插入的位置{hashi++;hashi %= _table.size();}_table[hashi]._state = EXIST;_table[hashi]._kv = kv;n++;//有效长度加一}
private:vector<HashData<K, V>>_table;//创建hash表size_t n = 0;//记录有效长度
};

第二种二次探测

二次探测与线性探测基本一致，只是线性探测在找空位时依次向后找，而二次探测在找空位时，一次走i的平方。

2.开散列

开散列法又叫链地址法(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。

接下来是扩容操作，其实开散表即使不扩容也能正常使用，但如果数据插入过多，会导致桶越来越长，最终变成长链表，导致查找效率降低。所以我们需要引入负载因子来判断何时应该扩容（负载因子计算看与闭散表一致）。

整个扩容需要遍历所有链表，把它们的指针都指向新链表就可以了。

这里需要补充一点，因为我们的K值不一定都是int类型，所以需要写仿函数来将它转成int，这样才能对应数组下标。

又因为字符串是我们常用的数据类型，所以我们可以将它进行一个特例化，单独将字符串转化拎出来（字符串转化规则是根据字符串哈希转化规则进行转化的，不明白的可以自行百度）。

接下来删除和查找都比较简单，直接看完整源代码。

Hash.h

#include<iostream>
#include<vector>
using namespace std;template<class K>
struct DefaultHashFunc//仿函数
{size_t operator()(const K& key){return (size_t)key;}
};template<>
struct DefaultHashFunc<string>//特例化
{size_t operator()(const string& str){// BKDRsize_t hash = 0;for (auto ch : str){hash *= 131;hash += ch;}return hash;}
};namespace open_adress
{enum State{EXIST,DELETE,EMPTY};template<class K, class V>struct HashData//创建hash表的类型{pair<K, V> _kv;State _state = EMPTY;};template<class K, class V>class Hash{public:Hash(){_table.resize(10);//初始开10给空间}void insert(const pair<K, V>& kv){//判断是否需要扩容if (n * 10 / _table.size() >= 7){//开一个新的表容量为原来二倍size_t newHash = _table.size() * 2;Hash<K, V>newHT;newHT._table.resize(newHash);//将旧表的值插入到新表里for (size_t i = 0; i < _table.size(); i++){if (_table[i]._state == EXIST)newHT.insert(_table[i]._kv);}//交换新旧表_table.swap(newHT._table);}//线性探测size_t hashi = kv.first % _table.size();//插入位置while (_table[hashi]._state == EXIST)//判断应该插入的位置{hashi++;hashi %= _table.size();}_table[hashi]._state = EXIST;_table[hashi]._kv = kv;n++;//有效长度加一}private:vector<HashData<K, V>>_table;//创建hash表size_t n = 0;//记录有效长度};
}namespace hash_bucket
{template<class K,class V>struct HashData//创建节点{HashData<K, V>* next;pair<K, V>_kv;HashData(const pair<K,V>&kv):next(nullptr),_kv(kv){}};template<class K,class V,class HashFunc= DefaultHashFunc<K>>class Hash{typedef HashData<K, V> Node;public:Hash(){_table.resize(10,nullptr);}~Hash(){for (size_t i = 0; i < _table.size(); i++){Node* cur = _table[i];while (cur){Node* next = cur->next;delete cur;cur = next;}_table[i] = nullptr;}}HashFunc hf;bool Insert(const pair<K, V>& kv){//如果重复插入返回falseif (Find(kv.first)){return false;}//扩容if (_n == _table.size()){vector<Node*>newTable;newTable.resize(_table.size() * 2, nullptr);//遍历所有节点for (size_t i = 0; i < _table.size(); i++){Node* cur = _table[i];while (cur){size_t hashi = hf(cur->_kv.first) % newTable.size();cur->next = newTable[hashi];newTable[hashi] = cur;cur = cur->next;}_table[i] = nullptr;}_table.swap(newTable);}size_t hashi = hf(kv.first) % _table.size();//头插Node*newNode = new Node(kv);newNode->next = _table[hashi];_table[hashi] = newNode;_n++;return true;}Node* Find(const K&key){size_t hashi = hf(key) % _table.size();Node* cur = _table[hashi];while (cur){if (cur->_kv.first == key)return cur;cur = cur->next;}return nullptr;}bool Erase(const K& key){size_t hashi = hf(key) % _table.size();Node* cur = _table[hashi];Node* prev = nullptr;while (cur){if (cur->_kv.first == key){if (prev == nullptr){_table[hashi] = cur->next;}else{prev->next = cur->next;}delete cur;return true;}prev = cur;cur = cur->next;}--_n;return false;}void Print(){for (size_t i = 0; i < _table.size(); i++){printf("[%d]->", i);Node* cur = _table[i];while (cur){cout << cur->_kv.first << ":" << cur->_kv.second << "->";cur = cur->next;}printf("NULL\n");}cout << endl;}private:vector<Node*>_table;size_t _n = 0;};}

test.cpp

int main()
{hash_bucket::Hash<int, int> ht;int a[] = { 1,111,4,7,15,25,44,9 };for (auto e : a){ht.Insert(make_pair(e, e));}ht.Print();ht.Insert(make_pair(14, 14));ht.Print();ht.Insert(make_pair(24, 24));ht.Print();ht.Insert(make_pair(34, 34));ht.Print();ht.Erase(44);ht.Erase(4);ht.Erase(24);ht.Print();hash_bucket::Hash<string, string> dict;dict.Insert(make_pair("sort", "排序"));dict.Insert(make_pair("left", "xxx"));dict.Insert(make_pair("insert", "插入"));dict.Insert(make_pair("string", "字符串"));dict.Insert(make_pair("bucket", "桶"));auto dret = dict.Find("left");//dret->_kv.first = "xx";dret->_kv.second = "左边";dict.Print();return 0;
}