一、散列表的由来？
1、散列表来源于数组，它借助散列函数对数组这种数据结构进行扩展，利用的是数组支持下标随机访问元素的特性。
2、需要标识存储在散列表中数据我们称为键（key）或称为关键字，将键转化为数组下标的方法称为散列函数，散列函数的计算结果称为散列值
3、将数据存储在散列值对应的数组下标位置。
二、如何设计散列函数？
设计散列函数的3点基本要求：
1、散列函数计算得到的散列值是一个非负整数。
2、若key1 = key2，则has(key1) = hash(key2)
3、若key1 ≠ key2，则has(key1) ≠ hash(key2)
正是由于第3点要求，所以产生了几乎无法避免的散列冲突问题。（当key1≠ key2，它们通过散列函数得到的数组下标是有可能是一样的）
三、散列冲突的解放方法？
1、常用的散列冲突解决方法有2类：开放寻址法（open adressing)和链表法（chainning)"
2、开放寻址法
1）核心思想：如果出现散列冲突，就重新探测一个空闲位置，将其插入。
2）线性探测法：
插入数据：当我们往散列表中插入数据时，如果某个数据经过散列函数之后，存储的位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置，直到找到为止。
查找数据：我们通过散列函数未出要查找元素的键值对应的散列值，然后比较数组中下标为散列值的元素和要查找的元素是否相等，若相等，则说明就是我们要查找的元素；否则，就顺序往后依次查找，如果遍历到数组的空闲位置还未找到，就说明要查找的元素并没有在散列表中。
删除数据：为了不让查找算法失效，可以将删除的元素特殊标记为deleted,当线性探测查找的时候，遇到标记为deleted的空间，并不是停下来，而是继续往下探测。
结论：最坏时间复杂度为O(n)。
3）二次探测（Quadratic probing)：线性探测每次探测的步长为1，即在数组中一个一个探测，而二次探测的步长变为原来的平方。
4）双重散列：使用一组散列函数，直到找到空闲位置为止。
5）线性探测法的性能描述：
用“装载因子”来表示空位多少，公式：散列表装载因子=填入表中的个数/散列表的长度。
装载因子越大，说明空闲位置越少，冲突越多，散列表的改组会下降。
3、链表法（更常用）
插入数据：当插入的时候，我们需要通过散列函数计算出对应的散列槽位，将其插入到对应的链表中即可，所以插入的时间复杂度为O(1)。
查找或删除数据：当查找、删除一个元素时，通过散列函数计算对应的槽，然后遍历链表查找或删除。对于散列比较均匀的散列函数，链表的节点个数k=n/m，其中n表示散列表中数据的个数，m表示散列表中槽的个数，所以时间复杂度为O(k).
四、要了解散列表，要先了解数组和链表优劣
1、数组占据随机访问的优势，却又需要连续内存的缺点。
2、链表具有可不连续存储的优势，但访问查找是线性的。
3、散列表和链表、跳表的混合使用，是为了结合数组和链表的优势，规避它们的不足。
五、为什么散列表和链表经常放在一起使用？
1、散列表的优点：支持高效的数据插入、删除和查找操作。
2、散列表的缺点：不支持快速顺序遍历散列表中的数据。
3、要快速顺序遍历散列表的数据只能将数据转移到数组，然后排序，最后再遍历数据。
4、散列表是动态的数据结构，需要频繁的插入和删除数据，那么每次顺序遍历之前都需要先排序，这势必会造成效率非常底低下。
5、如何解决上面的问题呢？ 就是将散列表和链表（或跳表）结合起来使用。
六、散列表和链表如何组合起来使用？
1、LRU（Least Recently Used)缓存淘汰算法
1.1、LRU缓存淘汰算法主要操作包含3个操作：
1）往缓存中 添加一个数据
2）从缓存中删除一个数据
3）在缓存中查找一个数据
4）总结：上面3个都涉及到查找
1.2、如何用链表实现LRU缓存淘汰算法？
1）需要维护一个按照访问时间从大到小的有序排列的链表结构。
2）缓冲空间有限，当空间不足需要淘汰一个数据时直接删除头部的节点。
3）当要缓存某个数据时，先在链表中查找这个数据。若未找到，则直接将数据放到链表的尾部。若找到，就把它移动到时链表尾部。
4）前面说了，LRU缓存的3个主要操作都涉及到查找，若单纯由链表实现，查找的时间复杂度很高为O(n)。若将链表和散列表结合使用，查找的时间复杂度会降低到O(1)。
1.3、如何使用散列表实现LRU缓存淘汰算法 ？
1）使用双向链表存储数据，链表中每个节点存储数据（data）、前驱指针（prev)、后继指针（next）和hnext指针（解决散列冲突的链表指针）。
2）散列表通过链表解决散列冲突，所以每个节点都会在两条链中。一条链是双向链表，另一条链是散列表中的拉链。前驱和后继指针是为将节点串在双向链表中，hnext指针是为了将节点串在散列表的拉链中。
