HashMap 并发 Map 是什么 内部原理什么 存储方式 hashcode 扩容 默认容量等

1. HashMap的数据结构

http://blog.csdn.net/gaopu12345/article/details/50831631   ？？看一下

 

数据结构中有数组和链表来实现对数据的存储，但这二者基本上是两个极端。

  数组

数组存储区间是连续的，占用内存严重，故空间复杂的很大。但数组的二分查找时间复杂度小，为O(1)；数组的特色是：寻址容易，插入和删除困难。

链表

链表存储区间离散，占用内存比较宽松，故空间复杂度很小，但时间复杂度很大，达O（N）。链表的特色是：寻址困难，插入和删除容易。

哈希表

那么咱们能不能综合二者的特性，作出一种寻址容易，插入删除也容易的数据结构？答案是确定的，这就是咱们要提起的哈希表。哈希表（(Hash table）既知足了数据的查找方便，同时不占用太多的内容空间，使用也十分方便。

　　哈希表有多种不一样的实现方法，我接下来解释的是最经常使用的一种方法—— 拉链法，咱们能够理解为“链表的数组” ，如图：

 

 

　　从上图咱们能够发现哈希表是由数组+链表组成的，一个长度为16的数组中，每一个元素存储的是一个链表的头结点。那么这些元素是按照什么样的规则存储到数组中呢。通常状况是经过hash(key)%len得到，也就是元素的key的哈希值对数组长度取模获得。好比上述哈希表中，12%16=12,28%16=12,108%16=12,140%16=12。因此十二、2八、108以及140都存储在数组下标为12的位置。

　　HashMap其实也是一个线性的数组实现的,因此能够理解为其存储数据的容器就是一个线性数组。这可能让咱们很不解，一个线性的数组怎么实现按键值对来存取数据呢？这里HashMap有作一些处理。

　　首先HashMap里面实现一个静态内部类Entry，其重要的属性有 key , value, next，从属性key,value咱们就能很明显的看出来Entry就是HashMap键值对实现的一个基础bean，咱们上面说到HashMap的基础就是一个线性数组，这个数组就是Entry[]，Map里面的内容都保存在Entry[]里面。

    /**

     * The table, resized as necessary. Length MUST Always be a power of two.

     */

    transient Entry[] table;

2. HashMap的存取实现

     既然是线性数组，为何能随机存取？这里HashMap用了一个小算法，大体是这样实现：

// 存储时:
int hash = key.hashCode(); // 这个hashCode方法这里不详述,只要理解每一个key的hash是一个固定的int值
int index = hash % Entry[].length;
Entry[index] = value;

// 取值时:
int hash = key.hashCode();
int index = hash % Entry[].length;
return Entry[index];

 

1）put

疑问：若是两个key经过hash%Entry[].length获得的index相同，会不会有覆盖的危险？

　　这里HashMap里面用到链式数据结构的一个概念。上面咱们提到过Entry类里面有一个next属性，做用是指向下一个Entry。打个比方， 第一个键值对A进来，经过计算其key的hash获得的index=0，记作:Entry[0] = A。一会后又进来一个键值对B，经过计算其index也等于0，如今怎么办？HashMap会这样作:B.next = A,Entry[0] = B,若是又进来C,index也等于0,那么C.next = B,Entry[0] = C；这样咱们发现index=0的地方其实存取了A,B,C三个键值对,他们经过next这个属性连接在一块儿。因此疑问不用担忧。也就是说数组中存储的是最后插入的元素。到这里为止，HashMap的大体实现，咱们应该已经清楚了。

 public V put(K key, V value) {

        if (key == null)

            return putForNullKey(value); //null老是放在数组的第一个链表中

        int hash = hash(key.hashCode());

        int i = indexFor(hash, table.length);

        //遍历链表

        for (Entry<K,V> e = table[i]; e != null; e = e.next) {

            Object k;

            //若是key在链表中已存在，则替换为新value

            if (e.hash == hash && ((k = e.key) == key || key.equals(k))) {

                V oldValue = e.value;

                e.value = value;

                e.recordAccess(this);

                return oldValue;

            }

        }

 

        modCount++;

        addEntry(hash, key, value, i);

        return null;

    }

 

void addEntry(int hash, K key, V value, int bucketIndex) {

    Entry<K,V> e = table[bucketIndex];

    table[bucketIndex] = new Entry<K,V>(hash, key, value, e); //参数e, 是Entry.next

    //若是size超过threshold，则扩充table大小。再散列

    if (size++ >= threshold)

            resize(2 * table.length);

}

　　固然HashMap里面也包含一些优化方面的实现，这里也说一下。好比：Entry[]的长度必定后，随着map里面数据的愈来愈长，这样同一个index的链就会很长，会不会影响性能？HashMap里面设置一个因子，随着map的size愈来愈大，Entry[]会以必定的规则加长长度。

2）get

 public V get(Object key) {

        if (key == null)

            return getForNullKey();

        int hash = hash(key.hashCode());

        //先定位到数组元素，再遍历该元素处的链表

        for (Entry<K,V> e = table[indexFor(hash, table.length)];

             e != null;

             e = e.next) {

            Object k;

            if (e.hash == hash && ((k = e.key) == key || key.equals(k)))

                return e.value;

        }

        return null;

}

 

3）null key的存取

null key老是存放在Entry[]数组的第一个元素。

   private V putForNullKey(V value) {

        for (Entry<K,V> e = table[0]; e != null; e = e.next) {

            if (e.key == null) {

                V oldValue = e.value;

                e.value = value;

                e.recordAccess(this);

                return oldValue;

            }

        }

        modCount++;

        addEntry(0, null, value, 0);

        return null;

    }

 

    private V getForNullKey() {

        for (Entry<K,V> e = table[0]; e != null; e = e.next) {

            if (e.key == null)

                return e.value;

        }

        return null;

    }

 

4）肯定数组index：hashcode % table.length取模

HashMap存取时，都须要计算当前key应该对应Entry[]数组哪一个元素，即计算数组下标；算法以下：

   /**

     * Returns index for hash code h.

     */

    static int indexFor(int h, int length) {

        return h & (length-1);

    }

 

按位取并，做用上至关于取模mod或者取余%。

这意味着数组下标相同，并不表示hashCode相同。

5）table初始大小

 

  public HashMap(int initialCapacity, float loadFactor) {

        .....

 

        // Find a power of 2 >= initialCapacity

        int capacity = 1;

        while (capacity < initialCapacity)

            capacity <<= 1;

 

        this.loadFactor = loadFactor;

        threshold = (int)(capacity * loadFactor);

        table = new Entry[capacity];

        init();

    }

 

注意table初始大小并非构造函数中的initialCapacity！！

而是 >= initialCapacity的2的n次幂！！！！

————为何这么设计呢？—— 

3. 解决hash冲突的办法 （下文详解）

1. 开放定址法（线性探测再散列，二次探测再散列，伪随机探测再散列）
2. 再哈希法
3. 链地址法
4. 创建一个公共溢出区

Java中hashmap的解决办法就是采用的链地址法。

 

4. 再散列rehash过程

当哈希表的容量超过默认容量时，必须调整table的大小。当容量已经达到最大可能值时，那么该方法就将容量调整到Integer.MAX_VALUE返回，这时，须要建立一张新表，将原表的映射到新表中。

   /**

     * Rehashes the contents of this map into a new array with a

     * larger capacity.  This method is called automatically when the

     * number of keys in this map reaches its threshold.

     *

     * If current capacity is MAXIMUM_CAPACITY, this method does not

     * resize the map, but sets threshold to Integer.MAX_VALUE.

     * This has the effect of preventing future calls.

     *

     * @param newCapacity the new capacity, MUST be a power of two;

     *        must be greater than current capacity unless current

     *        capacity is MAXIMUM_CAPACITY (in which case value

     *        is irrelevant).

     */

    void resize(int newCapacity) {

        Entry[] oldTable = table;

        int oldCapacity = oldTable.length;

        if (oldCapacity == MAXIMUM_CAPACITY) {

            threshold = Integer.MAX_VALUE;

            return;

        }

 

        Entry[] newTable = new Entry[newCapacity];

        transfer(newTable);

        table = newTable;

        threshold = (int)(newCapacity * loadFactor);

    }

 

    /**

     * Transfers all entries from current table to newTable.

     */

    void transfer(Entry[] newTable) {

        Entry[] src = table;

        int newCapacity = newTable.length;

        for (int j = 0; j < src.length; j++) {

            Entry<K,V> e = src[j];

            if (e != null) {

                src[j] = null;

                do {

                    Entry<K,V> next = e.next;

                    //从新计算index

                    int i = indexFor(e.hash, newCapacity);

                    e.next = newTable[i];

                    newTable[i] = e;

                    e = next;

                } while (e != null);

            }

        }

    }

 

=============================     华丽的分割线   ==============

hashmap的扩容机制

一、当咱们往hashmap中put元素的时候，先根据key的hash值获得这个元素在 数组中的位置（即下标），而后就能够把这个元素放到对应的位置中了。若是这个元素所在的位子上已经存放有其余元素了，那么在同一个位子上的元素将以链表的 形式存放，新加入的放在链头，好比a->b->c，新加入的d放到a的位置前面，最早加入的放在链尾，也就是c。最后变成d->a->b->c，从hashmap中get元素时，首先计算key的hashcode，找到数组中对应位置的某一元素， 而后经过key的equals方法在对应位置的链表中找到须要的元素。

二、

在hashmap中要找到某个元素，须要根据key的hash值来求得对应数组中的位置。如何计算这个位置就是hash算法。前面说过hashmap的数据结构是数组和链表的结合，因此咱们固然但愿这个hashmap里面的元素位置尽可能的分布均匀些，尽可能使得每一个位置上的元素数量只有一个，那么当咱们用hash算法求得这个位置 的时候，立刻就能够知道对应位置的元素就是咱们要的，而不用再去遍历链表。因此咱们首先想到的就是把hashcode对数组长度取模运算，这样一来，元素的分布相对来讲是比较均匀的。可是，“模”运算的消耗仍是比较大的，能不能找一种更快速，消耗更小的方式那？java中时这样作的，

Java代码

staticintindexFor(inth,intlength){ 
returnh&(length-1); 
}

首 先算得key得hashcode值，而后跟数组的长度-1作一次“与”运算（&）。看上去很简单，其实比较有玄机。好比数组的长度是2的4次方， 那么hashcode就会和2的4次方-1作“与”运算。不少人都有这个疑问，为何hashmap的数组初始化大小都是2的次方大小时，hashmap 的效率最高，我以2的4次方举例，来解释一下为何数组大小为2的幂时hashmap访问的性能最高。 看下图，左边两组是数组长度为16（2的4次方），右边两组是数组长度为15。两组的hashcode均为8和9，可是很明显，当它们和1110“与”的 时候，产生了相同的结果，也就是说它们会定位到数组中的同一个位置上去，这就产生了碰撞，8和9会被放到同一个链表上，那么查询的时候就须要遍历这个链 表，获得8或者9，这样就下降了查询的效率。同时，咱们也能够发现，当数组长度为15的时候，hashcode的值会与14（1110）进行“与”，那么 最后一位永远是0，而0001，0011，0101，1001，1011，0111，1101这几个位置永远都不能存放元素了，空间浪费至关大，更糟的是 这种状况中，数组可使用的位置比数组长度小了不少，这意味着进一步增长了碰撞的概率，减慢了查询的效率！因此说，当数组长度为2的n次幂的时候，不一样的key算得得index相同的概率较小，那么数据在数组上分布就比较均匀，也就是说碰撞的概率小，相对的，查询的时候就不用遍历某个位置上的链表，这样查询效率也就较高了。说到这里，咱们再回头看一下hashmap中默认的数组大小是多少，查看源代码能够得知是16，为何是16，而不是15，也不是20呢，看到上面 annegu的解释以后咱们就清楚了吧，显然是由于16是2的整数次幂的缘由，在小数据量的状况下16比15和20更能减小key之间的碰撞，而加快查询 的效率。

三、

当hashmap中的元素愈来愈多的时候，碰撞的概率也就愈来愈高（由于数组的长度是固定的），因此为了提升查询的效率，就要对hashmap的数组进行 扩容，数组扩容这个操做也会出如今ArrayList中，因此这是一个通用的操做，不少人对它的性能表示过怀疑，不过想一想咱们的“均摊”原理，就释然了， 而在hashmap数组扩容以后，最消耗性能的点就出现了：原数组中的数据必须从新计算其在新数组中的位置，并放进去，这就是resize。

那么hashmap何时进行扩容呢？当hashmap中的元素个数超过数组大小*loadFactor时，就会进行数组扩容，loadFactor的 默认值为0.75，也就是说，默认状况下，数组大小为16，那么当hashmap中元素个数超过16*0.75=12的时候，就把数组的大小扩展为 2*16=32，即扩大一倍，而后从新计算每一个元素在数组中的位置，而这是一个很是消耗性能的操做，因此若是咱们已经预知hashmap中元素的个数，那 么预设元素的个数可以有效的提升hashmap的性能。

好比说，咱们有1000个元素new HashMap(1000), 可是理论上来说new HashMap(1024)更合适，不过上面annegu已经说过，即便是1000，hashmap也自动会将其设置为1024。 可是new HashMap(1024)还不是更合适的，由于0.75*1000 < 1000, 也就是说为了让0.75 * size > 1000, 咱们必须这样new HashMap(2048)才最合适，既考虑了&的问题，也避免了resize的问题。

 

======================= 华丽的分割线     =====================================

哈希表及处理hash冲突的方法

看了ConcurrentHashMap的实现, 使用的是拉链法.

虽然咱们不但愿发生冲突，但实际上发生冲突的可能性还是存在的。当关键字值域远大于哈希表的长度，并且事先并不知道关键字的具体取值时。冲突就不免会发生。

另外，当关键字的实际取值大于哈希表的长度时，并且表中已装满了记录，若是插入一个新记录，不只发生冲突，并且还会发生溢出。

所以，处理冲突和溢出是哈希技术中的两个重要问题。

 

 

哈希法又称散列法、杂凑法以及关键字地址计算法等，相应的表称为哈希表。这种方法的基本思想是：首先在元素的关键字k和元素的存储位置p之间创建一个对应关系f，使得p=f(k)，f称为哈希函数。建立哈希表时，把关键字为k的元素直接存入地址为f(k)的单元；之后当查找关键字为k的元素时，再利用哈希函数计算出该元素的存储位置p=f(k)，从而达到按关键字直接存取元素的目的。

   当关键字集合很大时，关键字值不一样的元素可能会映象到哈希表的同一地址上，即 k1≠k2 ，但 H（k1）=H（k2），这种现象称为冲突，此时称k1和k2为同义词。实际中，冲突是不可避免的，只能经过改进哈希函数的性能来减小冲突。

综上所述，哈希法主要包括如下两方面的内容：

 1）如何构造哈希函数

 2）如何处理冲突。

8.4.1   哈希函数的构造方法

    构造哈希函数的原则是：①函数自己便于计算；②计算出来的地址分布均匀，即对任一关键字k，f(k) 对应不一样地址的几率相等，目的是尽量减小冲突。

下面介绍构造哈希函数经常使用的五种方法。

1． 数字分析法

      若是事先知道关键字集合，而且每一个关键字的位数比哈希表的地址码位数多时，能够从关键字中选出分布较均匀的若干位，构成哈希地址。例如，有80个记录，关键字为8位十进制整数d1d2d3…d7d8，如哈希表长取100，则哈希表的地址空间为：00~99。假设通过分析，各关键字中 d4和d7的取值分布较均匀，则哈希函数为：h(key)=h(d1d2d3…d7d8)=d4d7。例如，h(81346532)=43，h(81301367)=06。相反，假设通过分析，各关键字中 d1和d8的取值分布极不均匀， d1 都等于5，d8 都等于2，此时，若是哈希函数为：h(key)=h(d1d2d3…d7d8)=d1d8，则全部关键字的地址码都是52，显然不可取。

2． 平方取中法

当没法肯定关键字中哪几位分布较均匀时，能够先求出关键字的平方值，而后按须要取平方值的中间几位做为哈希地址。这是由于：平方后中间几位和关键字中每一位都相关，故不一样关键字会以较高的几率产生不一样的哈希地址。

例：咱们把英文字母在字母表中的位置序号做为该英文字母的内部编码。例如K的内部编码为11，E的内部编码为05，Y的内部编码为25，A的内部编码为01, B的内部编码为02。由此组成关键字“KEYA”的内部代码为11052501，同理咱们能够获得关键字“KYAB”、“AKEY”、“BKEY”的内部编码。以后对关键字进行平方运算后，取出第7到第9位做为该关键字哈希地址，如图8.23所示。

 

 

关键字	内部编码	内部编码的平方值	H(k)关键字的哈希地址
KEYA	11050201	122157778355001	778
KYAB	11250102	126564795010404	795
AKEY	01110525	001233265775625	265
BKEY	02110525	004454315775625	315

图8.23平方取中法求得的哈希地址

3． 分段叠加法

      这种方法是按哈希表地址位数将关键字分红位数相等的几部分（最后一部分能够较短），而后将这几部分相加，舍弃最高进位后的结果就是该关键字的哈希地址。具体方法有折叠法与移位法。移位法是将分割后的每部分低位对齐相加，折叠法是从一端向另外一端沿分割界来回折叠（奇数段为正序，偶数段为倒序），而后将各段相加。例如：key=12360324711202065,哈希表长度为1000，则应把关键字分红3位一段，在此舍去最低的两位65，分别进行移位叠加和折叠叠加，求得哈希地址为105和907，如图8.24所示。

 

 

1   2   3                    1   2   3

6   0   3                    3   0   6

2   4   7                    2   4   7

1   1   2                    2   1   1

+）   0   2   0               +）  0   2   0

        ————————            —————————

        1   1   0   5                    9   0   7

 

（a）移位叠加                    (b) 折叠叠加

 

                      图8.24 由叠加法求哈希地址

 

4． 除留余数法

假设哈希表长为m，p为小于等于m的最大素数，则哈希函数为

h（k）=k  %  p ，其中%为模p取余运算。

例如，已知待散列元素为（18，75，60，43，54，90，46），表长m=10，p=7，则有

    h(18)=18 % 7=4    h(75)=75 % 7=5    h(60)=60 % 7=4   

    h(43)=43 % 7=1    h(54)=54 % 7=5    h(90)=90 % 7=6   

    h(46)=46 % 7=4

此时冲突较多。为减小冲突，可取较大的m值和p值，如m=p=13，结果以下：

    h(18)=18 % 13=5    h(75)=75 % 13=10    h(60)=60 % 13=8    

    h(43)=43 % 13=4    h(54)=54 % 13=2    h(90)=90 % 13=12   

    h(46)=46 % 13=7

此时没有冲突，如图8.25所示。

 

0      1      2     3     4     5      6     7     8     9     10     11    12

 

54

43

18

46

60

75

90

                      图8.25  除留余数法求哈希地址

 

5． 伪随机数法

    采用一个伪随机函数作哈希函数，即h(key)=random(key)。

在实际应用中，应根据具体状况，灵活采用不一样的方法，并用实际数据测试它的性能，以便作出正确断定。一般应考虑如下五个因素 ：

l         计算哈希函数所需时间 （简单）。

l         关键字的长度。

l         哈希表大小。

l         关键字分布状况。

l         记录查找频率

8.4.2   处理冲突的方法

   经过构造性能良好的哈希函数，能够减小冲突，但通常不可能彻底避免冲突，所以解决冲突是哈希法的另外一个关键问题。建立哈希表和查找哈希表都会遇到冲突，两种状况下解决冲突的方法应该一致。下面以建立哈希表为例，说明解决冲突的方法。经常使用的解决冲突方法有如下四种：

1.         开放定址法

这种方法也称再散列法，其基本思想是：当关键字key的哈希地址p=H（key）出现冲突时，以p为基础，产生另外一个哈希地址p1，若是p1仍然冲突，再以p为基础，产生另外一个哈希地址p2，…，直到找出一个不冲突的哈希地址pi ，将相应元素存入其中。这种方法有一个通用的再散列函数形式：

          Hi=（H（key）+di）% m   i=1，2，…，n

    其中H（key）为哈希函数，m 为表长，di称为增量序列。增量序列的取值方式不一样，相应的再散列方式也不一样。主要有如下三种：

l         线性探测再散列

    dii=1，2，3，…，m-1

这种方法的特色是：冲突发生时，顺序查看表中下一单元，直到找出一个空单元或查遍全表。

l         二次探测再散列

    di=12，-12，22，-22，…，k2，-k2    ( k<=m/2 )

    这种方法的特色是：冲突发生时，在表的左右进行跳跃式探测，比较灵活。

l         伪随机探测再散列

    di=伪随机数序列。

具体实现时，应创建一个伪随机数发生器，（如i=(i+p) % m），并给定一个随机数作起点。

例如，已知哈希表长度m=11，哈希函数为：H（key）= key  %  11，则H（47）=3，H（26）=4，H（60）=5，假设下一个关键字为69，则H（69）=3，与47冲突。若是用线性探测再散列处理冲突，下一个哈希地址为H1=（3 + 1）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 + 2）% 11 = 5，仍是冲突，继续找下一个哈希地址为H3=（3 + 3）% 11 = 6，此时再也不冲突，将69填入5号单元，参图8.26 (a)。若是用二次探测再散列处理冲突，下一个哈希地址为H1=（3 + 12）% 11 = 4，仍然冲突，再找下一个哈希地址为H2=（3 - 12）% 11 = 2，此时再也不冲突，将69填入2号单元，参图8.26 (b)。若是用伪随机探测再散列处理冲突，且伪随机数序列为：2，5，9，……..，则下一个哈希地址为H1=（3 + 2）% 11 = 5，仍然冲突，再找下一个哈希地址为H2=（3 + 5）% 11 = 8，此时再也不冲突，将69填入8号单元，参图8.26 (c)。

 

 

0        1       2      3      4      5       6      7      8       9      10    

 

47

26

60

69

         （a） 用线性探测再散列处理冲突

 

 

0        1       2      3      4      5       6      7      8       9      10    

 

69

47

26

60

         （b） 用二次探测再散列处理冲突

 

 

0        1       2      3      4      5       6      7      8       9      10    

 

47

26

60

69

         （c） 用伪随机探测再散列处理冲突

 

                      图8.26开放地址法处理冲突

从上述例子能够看出，线性探测再散列容易产生“二次汇集”，即在处理同义词的冲突时又致使非同义词的冲突。例如，当表中i, i+1 ,i+2三个单元已满时，下一个哈希地址为i, 或i+1 ,或i+2，或i+3的元素，都将填入i+3这同一个单元，而这四个元素并不是同义词。线性探测再散列的优势是：只要哈希表不满，就必定能找到一个不冲突的哈希地址，而二次探测再散列和伪随机探测再散列则不必定。

2.         再哈希法

    这种方法是同时构造多个不一样的哈希函数：

    Hi=RH1（key）  i=1，2，…，k

当哈希地址Hi=RH1（key）发生冲突时，再计算Hi=RH2（key）……，直到冲突再也不产生。这种方法不易产生汇集，但增长了计算时间。

3.         链地址法

    这种方法的基本思想是将全部哈希地址为i的元素构成一个称为同义词链的单链表，并将单链表的头指针存在哈希表的第i个单元中，于是查找、插入和删除主要在同义词链中进行。链地址法适用于常常进行插入和删除的状况。

例如，已知一组关键字（32，40，36，53，16，46，71，27，42，24，49，64），哈希表长度为13，哈希函数为：H（key）= key % 13，则用链地址法处理冲突的结果如图8.27所示：

 

 

图8.27  链地址法处理冲突时的哈希表

 

本例的平均查找长度 ASL=(1*7+2*4+3*1)=1.5

 

 

         

（2）拉链法的优势

与开放定址法相比，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开放定址法为减小冲突，要求装填因子α较小，故当结点规模较大时会浪费不少空间。而拉链法中可取α≥1，且结点较大时，拉链法中增长的指针域可忽略不计，所以节省空间；

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。而对开放地址法构造的散列表，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人散列表的同义词结点的查找路径。这是由于各类开放地址法中，空地址单元(即开放地址)都是查找失败的条件。所以在 用开放地址法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。

 

（3）拉链法的缺点

    　拉链法的缺点是：指针须要额外的空间，故当结点规模较小时，开放定址法较为节省空间，而若将节省的指针空间用来扩大散列表的规模，可以使装填因子变小，这又减小了开放定址法中的冲突，从而提升平均查找速度。？？？？？？

 

4、创建公共溢出区

这种方法的基本思想是：将哈希表分为基本表和溢出表两部分，凡是和基本表发生冲突的元素，一概填入溢出表