適合中文關鍵字的哈希函數

hash函數的策略。 

    對於GB2312編碼，設輸入的漢字爲GBword，我們可以採用公式(C1-176)*94 + (C2-161)確定GBindex。其中，C1表示第一字節，C2表示第二字節。具體如下： 

    GBindex = ((unsigned char)GBword.at(0)-176)*94 + (unsigned char)GBword.at(1) - 161; 

    之所以用unsigned char類型，是因爲char是一個字節，如果用unsigend int，因爲int是4個字節的，所以會造成擴展，導致錯誤。 

       對於GBK編碼，設輸入的漢字爲GBKword，則可以採用公式   index=(ch1-0x81)*190+(ch2-0x40)-(ch2/128)，其中ch1是第一字節，ch2是第二字節。 

    具體的， 

    GBKindex = ((unsigned char)GBKword[0]-129)*190 +  ((unsigned char)GBKword[1]-64) - (unsigned char)GBKword[1]/128; 

哈希表的性能很大程度上取決於一個哈希函數的好壞。我用單個漢字作爲key，5702個漢字衝突率爲0，quite impressive。

例如一個 對單個GBK漢字的哈希函數可以這麼寫：

struct hash_CHGBK{
	size_t operator()(const char* GBKword) const{
		size_t GBKindex;
		GBKindex = ((unsigned char)GBKword[0]-129)*190 +
               ((unsigned char)GBKword[1]-64) - (unsigned char)GBKword[1]/128;
	}
};

加上一個比較的函數：

struct eqstr
{
	bool operator()(const char* s1, const char* s2)const{
		return strcmp(s1, s2)==0;
	};
};

可以這麼用

hash_map<const char*, int, hash_CHGBK, eqstr> CHGBK_hashmap;

原帖地址：http://www.iteye.com/problems/60530

原帖作者：deepfuture 

hash函數列表

https://www.byvoid.com/blog/string-hash-compare/