php的hash算法介绍

hash table是php的核心,这话一点都不过分。

php的数组,关联数组,对象属性,函数表,符号表,等等都是用hashtable来做为容器的。

php的hashtable采用的拉链法来解决冲突, 这个自不用多说, 我今天主要关注的就是php的hash算法, 和这个算法本身透露出来的一些思想。

php的hash采用的是目前最为普遍的djbx33a (daniel j. bernstein, times 33 with addition), 这个算法被广泛运用与多个软件项目,apache, perl和berkeley db等. 对于字符串而言这是目前所知道的最好的哈希算法，原因在于该算法的速度非常快，而且分类非常好(冲突小,分布均匀).

算法的核心思想就是:

hash(i) = hash(i-1) * 33 + str[i]

在zend_hash.h中,我们可以找到在php中的这个算法:

static inline ulong zend_inline_hash_func(char *arkey, uint nkeylength)
{
    register ulong hash = 5381;

    /* variant with the hash unrolled eight times */
    for (; nkeylength >= 8; nkeylength -=  {
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
        hash = ((hash << 5) + hash) + *arkey++;
    }
    switch (nkeylength) {
        case 7: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 6: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 5: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 4: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 3: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 2: hash = ((hash << 5) + hash) + *arkey++; /* fallthrough... */
        case 1: hash = ((hash << 5) + hash) + *arkey++; break;
        case 0: break;
empty_switch_default_case()
    }
    return hash;
}

相比在apache和perl中直接采用的经典times 33算法:

hashing function used in perl 5.005:
  # return the hashed value of a string: $hash = perlhash("key")
  # (defined by the perl_hash macro in hv.h)
  sub perlhash
  {
      $hash = 0;
      foreach (split //, shift) {
          $hash = $hash*33 + ord($_);
      }
      return $hash;
  }

在php的hash算法中, 我们可以看出很处细致的不同.

首先, 最不一样的就是, php中并没有使用直接乘33, 而是采用了:

hash << 5 + hash

这样当然会比用乘快了.

然后, 特别要主意的就是使用的unrolled, 我前几天看过一片文章讲discuz的缓存机制, 其中就有一条说是discuz会根据帖子的热度不同采用不同的缓存策略, 根据用户习惯,而只缓存帖子的第一页(因为很少有人会翻帖子).

于此类似的思想, php鼓励8位一下的字符索引, 他以8为单位使用unrolled来提高效率, 这不得不说也是个很细节的,很细致的地方.

另外还有inline, register变量 … 可以看出php的开发者在hash的优化上也是煞费苦心

最后就是, hash的初始值设置成了5381, 相比在apache中的times算法和perl中的hash算法(都采用初始hash为0), 为什么选5381呢? 具体的原因我也不知道, 但是我发现了5381的一些特性:

magic constant 5381:
1. odd number
2. prime number
3. deficient number

看了这些, 我有理由相信这个初始值的选定能提供更好的分类.