[英]fast, large-width, non-cryptographic string hashing in python
我需要在 python 中使用高性能字符串散列函数,该函数产生至少34位输出的整数(64 位有意义,但 32 位太少了)。 Stack Overflow 上还有其他几个类似的问题,但在我能找到的每个接受/赞成的答案中,都属于少数类别之一,这些类别不适用(出于给定的原因)。
hash()
函数。 这个函数,至少在我正在开发的机器上(使用 python 2.7 和 64 位 cpu)产生一个适合 32 位的整数 - 对我的目的来说不够大。string.__hash__()
函数作为原型来编写您自己的函数。 我怀疑这将是正确的方法,除了这个特定函数的效率在于它使用 c_mul 函数,它包含 32 位 - 同样,对于我来说太小了! 非常令人沮丧,它是如此接近完美!一个理想的解决方案应具有以下属性,其重要性相对松散。
'Perturbed' 散列示例,其中散列值被一个小的整数值 n 剧烈改变
def perturb_hash(key,n):
return hash((key,n))
最后,如果你对我到底在做什么感到好奇,我需要这样一个特定的哈希函数,我正在完全重写 pybloom 模块以显着提高其性能。 我成功了(它现在运行速度提高了大约 4 倍并使用了大约 50% 的空间),但我注意到有时如果过滤器变得足够大,它的假阳性率会突然飙升。 我意识到这是因为哈希函数没有处理足够的位。 32 位只能处理 40 亿位(请注意,过滤器处理的是位而不是字节),而我用于基因组数据的一些过滤器会加倍或更多(因此最少需要 34 位。)
谢谢!
看看MurmurHash3的128 位变体。 该算法的页面包括一些性能数据。 应该可以将其移植到 Python,纯的或作为 C 扩展。 (更新了作者建议使用 128 位变体并丢弃您不需要的位)。
如果 MurmurHash2 64 位适合您, pyfasthash 包中有一个 Python 实现(C 扩展),其中包括一些其他非加密哈希变体,尽管其中一些仅提供 32 位输出。
更新我为 Murmur3 哈希函数做了一个快速的 Python 包装。 Github 项目在这里,你也可以在Python Package Index上找到它; 它只需要一个 C++ 编译器来构建; 不需要升压。
使用示例和时序对比:
import murmur3
import timeit
# without seed
print murmur3.murmur3_x86_64('samplebias')
# with seed value
print murmur3.murmur3_x86_64('samplebias', 123)
# timing comparison with str __hash__
t = timeit.Timer("murmur3.murmur3_x86_64('hello')", "import murmur3")
print 'murmur3:', t.timeit()
t = timeit.Timer("str.__hash__('hello')")
print 'str.__hash__:', t.timeit()
输出:
15662901497824584782
7997834649920664675
murmur3: 0.264422178268
str.__hash__: 0.219163894653
使用内置的 hash() 函数。 这个函数,至少在我正在开发的机器上(使用 python 2.7 和 64 位 cpu)产生一个适合 32 位的整数 - 对我的目的来说不够大。
这不是真的。 内置哈希函数将在 64 位系统上生成 64 位哈希。
这是来自Objects/stringobject.c
(Python 版本 2.7)的 python str 哈希函数:
static long
string_hash(PyStringObject *a)
{
register Py_ssize_t len;
register unsigned char *p;
register long x; /* Notice the 64-bit hash, at least on a 64-bit system */
if (a->ob_shash != -1)
return a->ob_shash;
len = Py_SIZE(a);
p = (unsigned char *) a->ob_sval;
x = *p << 7;
while (--len >= 0)
x = (1000003*x) ^ *p++;
x ^= Py_SIZE(a);
if (x == -1)
x = -2;
a->ob_shash = x;
return x;
}
小心内置哈希函数!
从 Python3 开始,每次解释器启动时它都会用不同的种子(我不知道更多细节),因此它每次都会生成不同的值——但不是原生数字类型。
$ python3 -c 'print(hash("Hello!"), hash(3.14))'
-1756730906053498061 322818021289917443
$ python3 -c 'print(hash("Hello!"), hash(3.14))'
-4556027264747844925 322818021289917443
$ python3 -c 'print(hash("Hello!"), hash(3.14))'
-4403217265550417031 322818021289917443
“字符串”:我假设您希望散列 Python 2.x str
对象和/或 Python3.x bytes
和/或bytearray
对象。
这可能会违反您的第一个约束,但是:考虑使用类似
(zlib.adler32(strg, perturber) << N) ^ hash(strg)
得到一个 (32+N) 位的哈希值。
如果您可以使用 Python 3.2,则 64 位 Windows 上的哈希结果现在是 64 位值。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.