散列表：WORD文档中如何检测单词的拼写错误

Posted 2020-11-16 petewell

散列表：WORD文档中如何检测单词的拼写错误

散列表用的是数组支持按照下标随机访问数据的特性，所以散列其实是数组的一种扩展，由数组演化而来。

散列表（哈希表 Hash Table）：由散列函数（哈希函数）和数组构成，底层存储数据的是数组。

散列函数（键转化为散列值即数组下标）的设计：

1. 散列值是非负整数；
2. if key1 = key2, then hash(key1) == hash(key2);
3. if key1 != key2, then hash(key1) != hash(key2).

散列冲突：即使著名的MD5、SHA、CRC等哈希算法也无法完全避免散列冲突。

常用散列冲突解决办法，分为两类：

1. 开放寻址法

   • 线性探测（Linear Probing）：步长为1的顺序遍历数组，寻找空闲空间(为了不破坏原来的散列算法，被删除的元素的空闲空间标记为deleted，然后继续往下寻找非deleted空闲空间)
   • 二次线性探测（Quadratic Probing）：步长位($n^2$)，线性遍历数组，寻找空闲空间
   • 二重散列（Double Hashing）：键值依次输入散列函数组，直到找到空闲空间

   尽可能保证散列表中空闲元素的比例，空闲越少越容易冲突

   装载因子：散列表的装载因子 = 填入表中的元素个数 / 散列表的长度

2. 链表法：在散列表中，每个散列值对应一个桶(bucket)或者槽(slot)散列值，每个桶或者槽对应一条链表。

WORD文档中单词拼写的检测：常用的英文单词20w个左右，假设每个单词的平均长度为10，平均一个单词占用10个byte的内存空间，那20w个单词占用2MB内存空间，即使扩大10倍，也只是20MB内存空间，以目前计算机设备的内存空间，是完全可以hold住的。将单词作为键，查找哈希表，如果返回值大于0，则存在，否则判断为拼写错误。

思考：

1. 10w条URL访问记录，如何按照访问次数排序；
2. 两个字符串数组，每个数组存放10w个字符串，如何寻找两个数组中相同的字符串。

思考1:将url作为key，次数作为value，同时记录最大次数max，时间复杂度O(n)；只要最大次数不是特别大的值，例如，极端情况超过10w，可以采用桶排序O(n)，否则采用快排，时间复杂度O(nlog n)；

思考2:将一个数组存放进hash表，字符串作为key，value为出现次数；遍历另外一个数组的字符串作为key值去查找，如果有返回正值，则相同，否则，没有。时间复杂度O(n)；

原文:大专栏  散列表：WORD文档中如何检测单词的拼写错误