前言

前面讲了STL中的map和set容器以及封装实现，虽然它们的查找效率是O(logN)，但是当红黑树中的节点非常多时，因为红黑树不是严格平衡，树的高度可能变得很大，就是一变高一边低的情况，这会导致查询操作的时间复杂度变为O(N)，所以后面就出现了四个unordered系列的关联式容器，最常用的是unordered_map和unordered_set。

一、unordered_map/unordered_set容器

（1）unordered_map容器介绍及使用

unordered_map容器介绍：
它是以存储<key, value>键值对的方式去存储数据，可以高效地根据单个key值遭到对应的value。key是唯一的，kay和value的类型可以不相同。 另外，它存储元素是没有顺序的，它根据key的哈希值，相同哈希值的键值对放在相同的桶中，所以单个查找很高效，是在常数范围内，但它要查询某一范围内的key值在时要比map效率低，为什么？
因为它内部元素的排列顺序是不稳定的，这使得它的迭代器不能支持对元素子集进行稳定的顺序遍历，或者说它的迭代顺序是不可预测的，比如想遍历所有成绩等于某一值的学生，可以找到，因为它内部的哈希表不支持元素的稳定排序，因此找到的学生的顺序是不可预测的。
unordered_map也实现了直接访问操作符即operator[]，它允许使用key作为参数直接访问value。而且key是不允许被修改，元素值可以被修改。
最重要的一点：它们的值是通过其键的相对位置来找，并不是绝对位置
接口使用：
构造：

构造一个空容器：
unordered_map<string, char> mp1;
拷贝构造一个容器：
unordered_map<string, char> mp2(mp1);
使用迭代器区间构造一个容器：
unordered_map<string, char> mp2(mp1.begin(), mp1.end());

接口函数：

bool empty() const：检测是否为空
size_t size() const：获取有效元素个数
begin：返回unordered_map第一个元素的迭代器位置
end：返回unordered_map最后一个元素下一个位置的迭代器
cbegin：返回unordered_map第一个元素的const迭代器
cend：返回unordered_map最后一个元素下一个位置的const迭代器
iterator find(const K& key)：返回key在哈希桶中的位置
size_t count(const K& key) ：返回哈希桶中关键码为key的键值对的个数
insert：向容器中插入键值对
erase：删除容器中的键值对
void clear ：清空容器中的有效元素个数
void swap(unordered map&)：交换两个容器中的元素

元素访问：

operator[ ] 返回与key对应的value，没有一个默认值

简单介绍一下[ ]的重载，该函数实际调用哈希桶的插入操作，用参数key与V()构造一个默认值向底层哈希桶中插入，后面的哈希桶在后面说。如果key不在哈希桶中，插入成功，返回V()，若key已经在哈希桶中，插入失败，将key对应的value返回。和map实现的[]一样。
接口使用：

begin：获取容器中第一个元素的正向迭代器
end：获取容器中最后一个元素下一个位置的正向迭代器
insert：插入指定元素
erase：删除指定元素
find：查找指定元素
size：获取容器中元素的个数
clear：清空容器
swap：交换两个容器中的数据
count：获取容器中指定元素值的元素个数

（2）unordered_set容器介绍及使用

unordered_set容器：
它不再以键值对方式去存储数据，变成了直接存储，没有重复元素，且不会对内部存储的数据进行排序，平均时间复杂度为常数。unordered_set中元素的值也是唯一标识它的键，键不可改变，所以它里面的元素在容器不能被修改。
同样：它们的值是通过其键的相对位置来找，并不是绝对位置

（3）它们和map/set对比

unordered_map和unordered_set以及map和set，都是不允许插入重复的元素的，当尝试插入一个已经存在于容器中的关键字或元素时，它们都不会插入成功。unordered_map和map可以允许插入多个元素值相同，但键(key)不同的元素。
unordered_map/unordered_set和map/set区别：
1、实现不同：前者底层是用哈希表实现的，后者使用红黑树实现
2、性能不同：前者不按键值排序，插入时间复杂度是O(logN),查找时间复杂度是O(1)，后者按键值排序，插入时间是Olog(logN)，查找时间复杂度是O(logN)

二、容器底层结构

（1）哈希表概念

哈希背景:
前面也提到过，平衡树查找效率一般为O(logN)，红黑树如果发生大两插入有可能退化为O(logN)，而且顺序查找时间复杂度为O(N)，这是因为元素关键码与存储位置之间没有对应关系，因此在查找一个元素时，必须要经过key的多次比较，搜索的效率取决于查找过程中元素的比较次数，现在要使查找效率更高效，找到了一种更优的结构，能一次找到要查找的元素并不经过任何比较，使复杂度为O(1)，而这种结构叫哈希表。
哈希表概:通过某种函数使元素的存储位置与它的关键码之间能够建立一 一映射的关系，那在查找时通过该函数可以很快找到该元素(就像数组一样通过下标找到元素，只不过这里的下标是绝对位置)这种方法叫哈希方法，哈希方法中用的转换函数称为哈希函数或散列函数，构造出来的结构叫哈希表。
哈希本质就上一种映射的算法思想，是一种转换。
unordered系列的关联式容器效率高的原因，是因为其底层使用了哈希结构，哈希表的关键字是通过哈希函数计算得到的，并且哈希函数是将关键字映射到一个桶中，桶中的元素通过链表或其他数据结构连接起来。
**哈希表举例：**例如：数据集合{11，17，16，14，15，19}；
哈希函数设置为：hash(key) = key % capacity; capacity为存储元素底层空间总的大小。如下图：

2种常见的哈希函数：
直接定址法
取关键字的某个线性函数为散列地址：Hash（Key）= A*Key + B
优点简单、均匀，但去欸但需要事先知道关键字的分布情况，适合查找比较小且连续的情况。
2. 除留余数法
设散列表中允许的地址数为m，取一个不大于m，但最接近或者等于m的质数p作为除数，按照哈希函数：Hash(key) = key% p(p<=m),将关键码转换成哈希地址。可以节省空间。

（2）哈希冲突

但是对于上面的哈希表，如果要存的元素是1，7就会发生冲突，它们映射到一同个位置，就发生冲突，这种冲突叫哈希冲突或哈希碰撞，含义是不同关键字通过相同哈希哈数计算出相同的哈希地址。

（3）解决哈希冲突

解决哈希冲突的方法有两种方法，分别为闭散列和开散列。
闭散列：
闭散列也叫开放定址法，当有哈希冲突时，如果哈希表未被填满，说明在哈希表中必然还有空位置，这样可以把key存放到冲突位置中的“下一个” 空位置中去，这里下一个带引号，表示并不是相邻的，因为相邻也可能有元素。
也就是说在自己的开放空间去找下一个位置，如果去找？
一种思路叫线性探测，这种方法很暴力，从当前位置往后去找，直到寻找到下一个空位置为止。但是一些相邻聚集位置连续冲突容易形成踩踏，踩踏就是访问别人的位置。可以这样减少踩踏：如果·哈希函数是hash=Key%len，计算出后+i(i>=1,1,2,3…)也可以+i^2(i>=1,1,2,3…)，但是二次探测还是不能解决踩踏。
如果插入的时候，先通过哈希函数获取插入新元素在哈希表中的位置，然后如果该位置中没有元素，就插入新元素，反之发生哈希冲突，使用线性探测找到下一个空位置，插入新元素。如图：

如果删除，在闭散列方法种不能随意删除哈希表中已有的元素，若直接删除元素会影响其他元素的搜索。比如删除元素17，如果直接删除掉，7查找起来可能会受影响，所以线性探测采用标记的伪删除法来删除一个元素。比如在哈希表给每个空间做个标记，增加一种枚举类型表示三种状态：enum State{EMPTY, EXIST, DELETE};含义：EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除。

开散列：
开散列法又叫链地址法或开链法，这是解决哈希冲突的最优方法，首先对key集合用散列函数计算散列地址，具有相同地址的key归于同一子集合，每一个子集合叫做一个桶，各个桶中的元素通过一个单链表链接起来，各链表的头结点存储在哈希表中。如下图：

三、闭散列模拟实现

我们先要key和存储位置建立关联关系。我们采用线性探测就是依次找后面的位置存储。

（1）节点

#include<vector>
namespace nza
{enum State{EMPTY,EXIST,DELETE};template<class K, class V>struct HashData{pair<K, V> _kv;State _state = EMPTY;};template<class K, class V>class HashTable{private:vector<HashData<K,V>>_tables;size_t _n;};}

需要enum，每个存储位置的标识符，
再来个结点，存数据的节点和状态，转台初始化为空
我们用vector来存hash节点，这样也方便扩容。
_n 表示存储数据的个数

（2）插入

bool Insert(const pair<K, V>& kv){if (find(kv.first))return false;if (_tables.size() == 0 || _n * 10 / _tables.size() >= 7){size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;HashTable<K, V> newt;newt._tables.resize(newsize);for (auto& data : _tables){if (data._state == EXIST){newt.Insert(data._kv);}}_tables.swap(newt._tables);}size_t hashi = kv.first % _tables.size();size_t i = 1;size_t index = hashi;while (_tables[index]._state == EXIST){index = hash + i;index %= _tables.size();++i;}_tables[index]._kv = kv;_tables[index]._state = EXIST;++_n;return true;}

开始的newsize是我们要扩容多少，看是否等同于0，如果等于0先给个初始值多少都是可以，

先看最下面的线性探测：我先算起始位置hashi，即存储位置，用hash函数通过key去计算，这里我们要不能用capacity，因为这里会越界，[]会去检查下表小于size，上面说_n是有效数据个数，而_n之外我们不能去访问，所以要%size，然后用while循环判断，如果等于EXIST说明有元素占着，就找下一个位置，如果找出的大于有效数据个数就绕回去，直接取模，找到了就填充元素，并把状态更新为EXIST。
再处理两个问题讲解上面的代码：
1、如果size为0，会崩溃;
哈希表冲突也会受到影响，冲突越多，效率越低，如果都满了，再来一个值冲突的概率极大。这就需要载荷因子α，反映了表满的程度，他表示不是满了才扩容，它等于填入表的元素/表长度，α越大表示冲突的可能型越大。我们设置它在0.7到0.8，如果超过了我们标定的值就扩容，注意一点如果用reserve扩容扩容量capacity的话，size没变而且表为空，扩不了，所以我们先定义一个newsize表示我们要扩容多少，看是否等同于0，如果等于0先给个初始值多少都是可以，否则按2两倍扩。
2、如果表满了，需要扩容，但是size变了映射关系要变。
因为扩容，映射关系变了，原来冲突的值可能不冲突了，原来不冲突的值可能冲突了，这时候需要开一块新的空间，重新建立映射关系，重新定义一个newtables，让然后遍历旧表重新计算，最后交换资源和原来的_tables交换，但是这样太麻烦，代码大量冗余。可以这样解决：可以复用，创建一个哈希表对象HashTable<K, V> newt;，在类里面可以访问私有，把_tables扩容，再遍历旧表，直接插入，插入的时候复用了线性探测那段代码，最后交换资源。这是用新的哈希表对象再调用insert，因为空间开好了直接去走线性探测的代码，这里不是this调，不是直接的递归。
最终返回true，再开始的时候先查找一下key的值在不在，如果为空没有就返回false。

（3）删除

bool Erase(const K& key){HashNode<K, V>* ret = find(key);if (ret){ret->_state = DELETE;return true;}else{return false;}}

前面提到过需要标记一种状态，删除某一个位置，需要先通过key找到对应的存储位置去查找，第一次的时候可能不是，然后继续后找，找到后需要把设置为删除(delete)状态，因为查找是从映射位置开始找，直到空结束，如果删除了还是空会提前结束就不到了，所以我们如果成功查找才把它设置为delete状态并啊减减_n，然后返回真，否则返回假。

（4）查找

HashNode<K, V>* Find(const K& key){if (_tables.size() == 0){return nullptr;}size_t hashi = key % _tables.size();size_t i = 1;size_t index = hashi;while (_tables[index]._state != EMPTY){if (_tables[index]._state==EXIST&&_tables[index]._kv.first == key){return &_tables[index];}index = hashi + i;index %= _tables.size();++i;if (index == hashi){break;}}return nullptr;}

为了防止除0错误先判断一下有没有有效数据，如果为0直接返回空，接着先计算key的存储位置，如果这个位置不为空，那么就进while循环找，如果找到了返回节点的地址，但是这里还要考虑删除，因为如果之前删除一个数，只是把这个位置标记为DELETE，它还是在的，如果下次去找的时候它还是返回我们已经删除的那个地址，所以if判断里面要加一个状态是不是存在，存在且key找到了然后再返回节点地址，但是如果里面的状态是删除+存在，这样就会在while循环里面一直循环，所以在下面再加一个判断，如果index等于hashi说明走完了一圈没有找到，就break停止。

四、开散列模拟实现

在实践过程种，我们不太期望上面闭散列方式，不管是线性探测还是二次探测都不是很好，我们更喜欢用拉链法或哈希桶实现哈希表。
上面提到拉链法就是把冲突的元素使用链式结构把它们挂起来。

（1）节点

template<class K,class V>struct HashNode{pair<K, V>_kv;HashNode<K, V>* _next;HashNode(const pair<K,V>& kv):_next(nullptr),_kv(kv){}};template<class K,class V>class HashTable{public:private:vector<Node*> _tables;size_t _n = 0;};

一样需要搞个节点，我们不用vecotr加list有些扩容细节不方便，我们用一个节点指针链接下一个节点和键值对存数据。哈希表类的私有成员用vector存节点指针，_n表示有效数据个数。相当于vector挂的是一个链表，里面存的是一个节点指针，有节点就挂起来，没有就是空。

（2）插入

bool Insert(const pair<K, V>& kv){if (Find(kv.first))return false;if (_n == _tables.size()){size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;vector<Node*> newtables(newsize,nullptr);for (auto& cur : _tables){while (cur){Node* next = cur->_next;;size_t hashi = cur->_kv.first % newtables.size();cur->_next = newtables[hashi];newtables[hashi] = cur;cur = next;}}_tables.swap(newtables);}size_t hashi = kv.first % _tables.size();Node* newnode = new Node(kv);newnode->_next = _tables[hashi];_tables[hashi] = newnode;++_n;return true;}

先看最下面插入：
还是先计算存储位置hashi，然后我们头插，就是创建一个新节点，然后链接第一个节点，再把新插入的置为第一个节点。再更新_n。
同样也面两个问题：
我们还是要控制负载因子，负载因子越大，冲突概率越高，查找效率越低，空间利用率越高，这里设为1，也就是相等。扩容时和上面的逻辑一样，定义一个newsize表示我们要扩容多少，看是否等同于0，如果等于0先给个初始值多少都是可以，否则按2两倍扩。
因为扩容要解决重新映射的问题，在这里就不需要和上面一样定义一个哈希表对象再复用insert，因为还有优化的空间，因为上面又调了insert创建新节点，而且这里需要注意一点，把每个位置走完桶，过一会还要把原来的表释放掉，因为闭散列不需要写析构函数，它会自动释放，而这里的vecotr也会自动释放，但是不会把里面的指针释放，vector只是把空间释放了，自定义类型要调用自己的析构，开了新表，旧表还要释放。最好的方式是，还是用传统方法，把原表的节点重新计算位置挪动到新表，这里没有申请也没有释放。开一个指针数组，每个位置给空，然后进行挪动，头插需要保存下一个位置，然后重新计算新位置，进行头插并把它更新第一个位置，再把next给cur，继续往下走，遍历完之后旧表时，再交换资源，也就是地址的交换。

（3）查找

	Node* Find(const K& key){if (_tables.size() == 0)return nullptr;size_t hashi = key % _tables.size();Node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){return cur;}cur = cur->_next;}return nullptr;}

查找先判断有效个数是否等于0，如果等于0直接返回空，再计算存储位置，定义一个指针变量，把刚计算的位置的节点指针赋给它，然后遍历没找到，继续更新节点，如果找到返回指针，否则返回空。

（4）删除

bool Erase(const K& key){size_t hashi = key % _tables.size();Node* prev = nullptr;Node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){if (prev == nullptr){_tables[hashi] = cur->_next;}else{prev->_next = cur->_next;}delete cur;return true;}else{prev = cur;cur=cur->_next;}}return false;}

通过key计算存储位置，这就相当于单链表删除，需要知道它的前面的节点指针再定义一个当前指针，然后如果当前节点不为空进入while循环，如果找到了，再进行判断，如果前面前驱指针等于空，说明要删除的是第一个节点即头，直接把下一个位置赋给第一个节点，否则进行链接，然后再删除，返回真；如果while循环没结束且没找到，继续往下更新前驱指针和当前节点，结束没找到返回假。

（5）完善

一、对key进行完善优化

template<class K>struct HashFunc{size_t operator(const K& key){return key;}};template<>struct HashFunc<string>{size_t operator()(const string& str){size_t hash = 0;for (auto& e : str){hash += e;hash *= 33;}return hash;}};template<class K,class V,class Hash=HashFunc<K>>

如果key时字符串我们改怎么处理，这不能那样计算了，我们不能在代码写死，因为我们写的是一个泛型，我们可以再增加一个模板参数hash，支持一个仿函数，它就是可以把key转换成可以取模的整型，第一种就是本身就是能支持取模的，第二种是字符串里类型，我们需要把他转换成整形，为了减少和其他字符串的存储位置的冲突，我们可以对一个字符串的每一个字符进行先加再乘一个某一个数，据数据表明*31或着131…数字冲突的概率极低，这是字符串到整形的映射。另外我们为了不显示传，直接用了特化，自动匹配相应的类型。接下来在使用key取模的地方，创建一个Hash类型的对象hash，改成hash(key)。如图：

另外哈希表增删查改的平均时间复杂度是O(1)，不看最坏，最坏的是多个数挂了在了相同的位置变成了O(N)，因为有扩容的发生，几乎不会发生，有负载因子的控制如果是1，每个位置平均挂一个，但是没有那么理想，挂2到3个，看的是整体。
我们可以测试一下：
先写一个最大桶的长度函数

size_t MaxBuket(){size_t  Max= 0;for (int i = 0; i < _tables.size(); ++i){auto cur = _tables[i];size_t count = 0;while (cur){++count;cur = cur->_next;}if (count > max){max = count;}}return max;}

结果我们进行随机测试，大多数情况都是0，1，而最大的是2，如图：

所以极端情况很少出现，有一种方法可以解决单个桶超过一定长度，这个桶可以改成红黑树。

二、接下来是完善的是：对模的这个数进行优化
有些书上建议这个模的这个数也就是表的大小，最好是素数，它只能被1或被自身整除，也是降低冲突的，我们直接看stl标准库的：提供一个素数表，存了28个素数，把当前的素数值传进去，在里面依次在表里遍历找比它大的值。

size_t GetNextPrime(size_t prime){// SGIstatic const int __stl_num_primes = 28;static const unsigned long __stl_prime_list[__stl_num_primes] ={53, 97, 193, 389, 769,1543, 3079, 6151, 12289, 24593,49157, 98317, 196613, 393241, 786433,1572869, 3145739, 6291469, 12582917, 25165843,50331653, 100663319, 201326611, 402653189, 805306457,1610612741, 3221225473, 4294967291};size_t i = 0;for (; i < __stl_num_primes; ++i){if (__stl_prime_list[i] > prime)return __stl_prime_list[i];}return __stl_prime_list[i];}

五、源代码

（1）闭散列源代码

ClosedHash.h

#pragma once
#include<utility>
#include<vector>
using namespace std;namespace nza
{enum State{EMPTY,EXIST,DELETE};template<class K, class V>struct HashNode{pair<K, V> _kv;State _state = EMPTY;};template<class K, class V>class HashTable{public:bool Insert(const pair<K, V>& kv){if (Find(kv.first))return false;if (_tables.size() == 0 || _n * 10 / _tables.size() >= 7){size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;HashTable<K, V> newt;newt._tables.resize(newsize);for (auto& data : _tables){if (data._state == EXIST){newt.Insert(data._kv);}}_tables.swap(newt._tables);}size_t hashi = kv.first % _tables.size();size_t i = 1;size_t index = hashi;while (_tables[index]._state == EXIST){index = hashi + i;index %= _tables.size();++i;}_tables[index]._kv = kv;_tables[index]._state = EXIST;++_n;return true;}HashNode<K, V>* Find(const K& key){if (_tables.size() == 0){return nullptr;}size_t hashi = key % _tables.size();size_t i = 1;size_t index = hashi;while (_tables[index]._state != EMPTY){if (_tables[index]._state==EXIST&&_tables[index]._kv.first == key){return &_tables[index];}index = hashi + i;index %= _tables.size();++i;if (index == hashi){break;}}return nullptr;}bool Erase(const K& key){HashNode<K, V>* ret = Find(key);if (ret){ret->_state = DELETE;--_n;return true;}else{return false;}}private:vector<HashNode<K, V>> _tables;size_t _n = 0; };void Test(){int a[] = { 1, 2, 0, 4, 5, 20, 66 };HashTable<int, int> ht;for (auto e : a){ht.Insert(make_pair(e, e));}ht.Erase(3);ht.Insert(make_pair(80, 90));}
}

test.cpp

#include"ClosedHash.h"
int main()
{nza::Test();
}

（2）开散列源代码

OpenHash.h

#pragma once
#include<utility>
#include<vector>
#include<string>
#include<ctime>
#include<iostream>
using namespace std;namespace nza
{template<class K,class V>struct HashNode{pair<K, V>_kv;HashNode<K, V>* _next;HashNode(const pair<K,V>& kv):_next(nullptr),_kv(kv){}};template<class K>struct HashFunc{size_t operator()(const K& key){return key;}};template<>struct HashFunc<string>{size_t operator()(const string& str){size_t hash = 0;for (auto& e : str){hash += e;hash *= 33;}return hash;}};template<class K,class V,class Hash=HashFunc<K>>class HashTable{typedef HashNode<K, V> Node;public:~HashTable(){for (auto& cur : _tables){while (cur){Node* next = cur->_next;delete cur;cur = next;}cur = nullptr;}}bool Insert(const pair<K, V>& kv){if (Find(kv.first))return false;Hash hash;if (_n == _tables.size()){/*size_t newsize = _tables.size() == 0 ? 10 : _tables.size() * 2;*/size_t newsize = GetNextPrime(_tables.size());vector<Node*> newtables(newsize,nullptr);for (auto& cur : _tables){while (cur){Node* next = cur->_next;;size_t hashi = hash(cur->_kv.first) % newtables.size();cur->_next = newtables[hashi];newtables[hashi] = cur;cur = next;}}_tables.swap(newtables);}size_t hashi = hash(kv.first) % _tables.size();Node* newnode = new Node(kv);newnode->_next = _tables[hashi];_tables[hashi] = newnode;++_n;return true;}Node* Find(const K& key){if (_tables.size() == 0)return nullptr;Hash hash;size_t hashi = hash(key) % _tables.size();Node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){return cur;}cur = cur->_next;}return nullptr;}bool Erase(const K& key){Hash hash;size_t hashi = hash(key) % _tables.size();Node* prev = nullptr;Node* cur = _tables[hashi];while (cur){if (cur->_kv.first == key){if (prev == nullptr){_tables[hashi] = cur->_next;}else{prev->_next = cur->_next;}delete cur;return true;}else{prev = cur;cur=cur->_next;}}return false;}size_t MaxBucket(){size_t  Max= 0;for (size_t i = 0; i < _tables.size(); ++i){auto cur = _tables[i];size_t count = 0;while (cur){++count;cur = cur->_next;}printf("[%d]->%d\n", i, count);if (count > Max){Max = count;}}return Max;}size_t GetNextPrime(size_t prime){// SGIstatic const int __stl_num_primes = 28;static const unsigned long __stl_prime_list[__stl_num_primes] ={53, 97, 193, 389, 769,1543, 3079, 6151, 12289, 24593,49157, 98317, 196613, 393241, 786433,1572869, 3145739, 6291469, 12582917, 25165843,50331653, 100663319, 201326611, 402653189, 805306457,1610612741, 3221225473, 4294967291};size_t i = 0;for (; i < __stl_num_primes; ++i){if (__stl_prime_list[i] > prime)return __stl_prime_list[i];}return __stl_prime_list[i];}private:vector<Node*> _tables;size_t _n = 0;};void Test(){int a[] = { 7, 5, 55, 13, 17, 12, 16 };HashTable<int, int> h1;for (auto e : a){h1.Insert(make_pair(e, e));}h1.Insert(make_pair(22, 22));h1.Insert(make_pair(25, 25));h1.Insert(make_pair(36, 36));h1.Insert(make_pair(65, 65));h1.Erase(13);size_t N = 100000;HashTable<int, int> h2;srand(time(0));for (size_t i = 0; i < N; ++i){size_t x = rand() + i;h2.Insert(make_pair(x, x));}cout << h2.MaxBucket() << endl;}}

test.cpp

#include"OpenHash.h"int main()
{nza::Test();return 0;}