注意 .NET string.GetHashCode() 用法

標籤：一個資料庫   意思   有關   rar   二次   提高   hash演算法   好處   mic   

需求案例：需要把字串存入資料庫，並且要求資料庫中不能有重複的字串，由此就引出了將字串hash成特定的hash值，依靠查詢hash值是否重複來判斷字串是否重複。這樣做的好處在於查詢重複字串的代價太大，因為字串可能會非常長，進行逐個比較非常消耗資料庫的效能，如果將字串hash之後，依靠hash值來查重就顯得輕便很多了，因為hash值通常都比字串本身短很多。由於使用的是C#，自然而然就用了string的GetHashCode函數，MSDN上說該函數得到的傳回值可以唯一區別一個string，意思就是相同的字串肯定會得到相同的hash值，不同的字串的hash值肯定不一樣。當時還在疑惑，這個函數的傳回值是int型，算起來也就幾十億，但是字串的組合卻是無窮的啊，微軟是怎麼實現唯一性的呢？

測試結果：調試代碼發現用hash值查詢一個資料庫中已經存在的string，居然說沒有重複！這就相當讓人費解了，string已經存在了，那麼其hash值也肯定已經存在在資料庫中，怎麼會說沒有重複呢？仔細debug代碼，驚訝的發現原來string的hash值居然變了，變成了一個和資料庫中完全不同的值。

那麼為什麼同一個string，兩次運行GetHashCode得到的傳回值卻不一樣呢？

原來GetHashCode只是保證在同一個進程的記憶體空間中，string的傳回值可以唯一區別一個string。在同一個進程的記憶體空間中，每個string的hash值都被微軟保證不會重複（除非兩個string的內容一樣），雖然字串的組合是無限的，但是對於一個進程的記憶體空間，頂多就幾個G的，幾個G的記憶體所能容納的string的組合就變成了“有限的”了，int型的幾十億足夠來保證這些“有限的”string組合有不同的hash值。
但是微軟不保證同一個string在調用GetHashCode之後得到的傳回值是相同的！因為int就幾十億，如果用來保證每次調用得到的傳回值相同，那麼勢必出現hash值的碰撞。
這也是為什麼MD5，SHA2等hash演算法得到的傳回值都是128位或者256位的原因，因為只有足夠長，才能保證少發生碰撞或者發生碰撞之後可以二次hash。

PS：看看微軟對這個函數的備忘
http://msdn.microsoft.com/zh-cn/library/system.string.gethashcode.aspx
備忘
GetHashCode 的行為取決於它的實現，此實現可能會從一個通用語言執行平台版本更改為另一個版本。 原因可能是為了提高 GetHashCode 的效能。
說明說明
如果兩個字串對象相等，則 GetHashCode 方法返回相同的值。 但是，每個唯一的字串值並沒有唯一的雜湊碼值。 不同的字串可以返回相同的雜湊碼。
有關雜湊碼的更多資訊，請參見 Object.GetHashCode。

注意 .NET string.GetHashCode() 用法