我應該使用哪種收集類型來存儲一堆哈希值？

Question

我有一堆長弦，必須操縱。 它們可以一次又一次地出現，如果它們出現兩次，我想忽略它們。 我認為執行此操作的最佳方法是對字符串進行哈希處理，並以快速的查找時間將哈希列表存儲在某種有序列表中，以便在數據集向我提供新字符串時可以進行比較。

要求：

• 能夠將項目（哈希）添加到我的收藏中
• 能夠（快速）檢查集合中是否已存在特定的哈希。
• 不太占用內存。 我最終可能會得到大約100,000個哈希值。

如果那有什么區別，我不需要倒退（鍵->值）。

關於哪種.NET數據類型最有效的任何建議？

Answer 1

我認為執行此操作的最佳方法是對字符串進行哈希處理，並以快速的查找時間將哈希列表存儲在某種有序列表中，以便在數據集向我提供新字符串時可以進行比較。

不，不要那樣做。 兩個原因：

• 哈希值僅告訴您兩個值是否相同； 他們不告訴你，如果它們是相同的。
• 您會做很多已經為您完成的工作。

基本上，您應該只保留HashSet<String> 。 沒問題，可以快速查找，並且您不需要自己實現它。

缺點是您最終會將所有字符串保留在內存中。 如果這是一個問題，那么您將需要制定一種替代策略...實際上可能最終只能將哈希保留在內存中。 確切的詳細信息可能取決於字符串的來源，以及如果得到誤報會導致什么樣的問題。 例如，您可以保留每個字符串的MD5哈希值，作為“比hashCode哈希值更好”的哈希值-但這仍然允許攻擊者向您提供另一個具有相同哈希值的字符串。 那是問題嗎？ 如果是這樣，則更安全的哈希算法（例如SHA-256）可能會有所幫助。 但是，它仍然不能保證您為不同的字符串使用不同的哈希值。

如果您確實想確定，則需要將散列保留在內存中，但將實際的字符串數據保留（存儲到磁盤或數據庫中）-然后，在可能的匹配項中（因為您看到了相同的散列）之前），您需要將存儲的字符串與新字符串進行比較。

如果您將哈希存儲在內存中，則最佳方法將取決於您使用的哈希大小。 例如，對於僅64位哈希，您可以使用Long per hash並將其保留在HashSet<Long> 。 對於更長的哈希，你需要它可以很容易地被比較的對象等。在這一點上，我建議你看看番石榴和它HashCode類，在工廠方法一起HashCodes （因為番石榴V16不推薦使用）。

Answer 2

使用一套。

ISet<T>接口由例如HashSet<T>

除非您的哈希函數確實很差，否則Add和Contains是O（1），最糟糕的情況是O（n）。