顺序文件组织的缺点之一是必须通过访问索引或使用二分法搜索来定位数据，这需要较多的I/O操作。基于散列技术的文件组织方式则不需要访问索引结构，散列也提供了一种组织索引的方式。
在散列(hash)技术中，用桶(bucket)来表示能存储一条或多条记录的存储单元。如果K代表所有搜索码的集合，B代表所有bucket的集合，则散列函数h表示一个从K到B的映射函数。
插入搜索码为Ki的记录时，通过散列函数计算h(Ki)得出bucket的地址，如果这个bucket还有空间，就将数据插入。
查询Ki时，也是先通过h(Ki)得出bucket的地址，但bucket中往往有多条记录，这时就需要进一步根据搜索码在bucket内部搜索。
散列可以有两种用途，在散列文件组织中，通过散列函数直接定位记录所在的磁盘块；在散列索引组织中，把搜索码和指针组织成一个散列文件结构。
a) 散列函数
合理地选择散列函数非常重要，否则可能导致记录被集中映射到少数几个bucket的情况。要求散列函数的分布特性是均匀、随机的，既每个bucket被分配到的记录数应该是相等的，而且分配结果与搜索码本身的顺序无关。
典型的散列函数是根据搜索码的二进制值进行计算的，比如可以计算二进制所有位的和，然后取模。一个结果良好设计的散列函数应不受记录数量的影响，而具有稳定的搜索效率。
b) Bucket溢出的处理
如果记录被映射到一个Bucket时Bucket以及没有可用空间，就会发生溢出。溢出的原因可能是因为随着记录数的增长，没有足够的bucket；也可能是因为散列函数设计不合理或者存在太多相同的搜索码，导致记录被集中映射到某些bucket，而一个bucket能容纳的记录是有限的，这种情况称为桶偏斜(bucket skew)。
为了应对bucket溢出，可以在确定bucket数量时留一定的余量，但这会造成空间浪费；也可以使用溢出桶(overflow bucket)来接收溢出记录：一旦发生溢出，就新增一个溢出桶，以接收溢出记录，溢出桶与原始桶构成链表(overflow chaining)，于是查找数据时，要增加对是否存在溢出桶的探查，如果存在，则进一步在溢出桶中搜索。
这种静态散列的缺点在于必须在设计阶段确定好bucket的数量，随着记录的数的增加或收缩，bucket数无法跟随变化，会造成溢出或空间浪费。
c) 散列索引
除了散列文件组织，还可以用散列的方式组织索引。将散列函数作用于搜索码以确定对应的桶，然后将此搜索码以及相应的指针存入。
学习资料：Database System Concepts, by Abraham Silberschatz, Henry F.Korth, S.Sudarshan
网友评论