1）散列函数计算得到的散列值是一个非负整数 //下标从0开始
2）如果key1 = key2，那么hash(key1)==hash(key2) //相同的key经过hash 得到的散列值应该是相等的。
3) 如果key1 != key2, 那么hash(key1) != hash(key2)//这个是理想情况下，越接近这种就证明hash函数设计的完美，会有相等的情况，就是发生了散列冲突
1.开发寻址
1） 线性探测
线性探测查找和插入差不多，先计算散列值，如果此时已经存在元素了，则往下，直到找到相等的值或者找到空的位置。 但如果空的位置是我们后删除的呢，如下图
1的位置被我们删除的，如果不做任何处理，那么即使y在2的位置上，也找不到，到1的时候发现这个位置是空的，说明y没插入过。 所以我们要加上一个deleted标志，遇到这个标志后要继续往下走即可。
线性探测存在很大的问题。当散列表中插入的数据越来越多时，散列冲突发生的可能性就会越来越大，空闲位置会越来越少，线性探测的时间就会越来越久。极端情况下，我们可能需要探测整个散列表，所以最坏情况下的时间复杂度为 O(n)。同理，在删除和查找时，也有可能会线性探测整张散列表，才能找到要查找或者删除的数据。
对于开放寻址冲突解决方法，除了线性探测方法之外，还有另外两种比较经典的探测方法，二次探测（Quadratic probing）和双重散列（Double hashing）。
所谓二次探测，跟线性探测很像，线性探测每次探测的步长是 1，那它探测的下标序列就是 hash(key)+0，hash(key)+1，hash(key)+2……而二次探测探测的步长就变成了原来的“二次方”，也就是说，它探测的下标序列就是 hash(key)+0，hash(key)+12，hash(key)+22……
所谓双重散列，意思就是不仅要使用一个散列函数。我们使用一组散列函数 hash1(key)，hash2(key)，hash3(key)……我们先用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，依次类推，直到找到空闲的存储位置。
不管采用哪种探测方法，当散列表中空闲位置不多的时候，散列冲突的概率就会大大提高。为了尽可能保证散列表的操作效率，一般情况下，我们会尽可能保证散列表中有一定比例的空闲槽位。我们用装载因子（load factor）来表示空位的多少。
装载因子的计算公式是：
|
|
装载因子越大，说明空闲位置越少，冲突越多，散列表的性能会下降。
2.链表法
如图所示：位置冲突后，用链表降散列值相等的元素关联起来。
插入的时间复杂度为O(1)显而易见
那么查找或者删除的复杂度是？
实际上这两个操作的时间复杂度跟链表的长度k成正比，也就是O（k）。对于散列比较均匀的散列函数来说，理论上讲，k=n/m，其中n表示散列中数据的个数，m表示散列表中的槽数。
3.如何设计工业级散列表
1.初始大小
hashmap默认的初始大小是16，当然这个默认值是可以设置的，如果事先知道大概的数据量有多大，可以通过修改默认初始值大小，减少动态扩容的次数或者降低空间的浪费。
2.装载因子和动态扩容
最大装载因子默认是0.75，当hashmap中元素个数超过0.75*capacity(表示散列表的容量)的时候，就会启动扩容，每次扩容都会扩容为原来的两倍大小。
动态扩容如下图所示
并不是扩容后，就全都一下把数据hash到新的内存空间上，而是每次插入新元素的时候去把旧的一个重新散列到新的散列表上，查找的时候就是双读，先新后旧。
插入一个数据，最好情况下，不需要扩容，最好时间复杂度是O（1），最坏情况下，散列表装载因子过高，启动扩容，我们需要重新申请内存空间，重新计算哈希位置，并且搬移数据，所以时间复杂度是O（n）。用摊还分析法，时间复杂度接近最好情况，就是O（1）。
3.散列冲突解决方法：
hashmap底层采用链表法来解决冲突。即使负载因子和散列函数设计得再合理，也免不了会出现拉链过长的情况，一旦出现拉链过长，则会严重影响hashmap的性能。
于是为了对hashmap做进一步优化，我们引入了红黑树。而当链表长度太长（默认超过8）时，链表就转换为红黑树。我们可以利用红黑树快速增删该查的特点，提高性能。当红黑树节点个数少于8个的时候，又会将红黑树转化为链表。因为在数据量较小的情况下，红黑树要维护平衡，比起链表来，性能上的优势并不明显。
如何实现一个LRU算法
我们需要维护一个按照访问时间从大到小有序排列的链表结构。因为缓存大小有限，当缓存空间不够，需要淘汰一个数据的时候，我们直接将链表头部的结点删除。当要缓存某个数据的时候，先在链表中查找这个数据。如果没有找到，则直接将数据放到链表的尾部；如果找到了，我们就把它移到链表的头部。因为查找数据需要遍历链表，所以单纯的用链表实现的LRU缓存淘汰算法的时间复杂度很高，是O(n)
实际上：一个缓存系统主要包含下面这几个操作
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
这三个操作都涉及查找操作，如果单纯地采用链表的话，时间复杂度只能是O（n）.如果我们将散列表和链表两种数据结构组合使用，可以将这三个操作的时间复杂度都降低到O(1)，具体的结构如下：
