HashTable和HashSet中的类型陷阱
发现这个陷阱的起因是这样的:我现在有上百万字符串,我准备用TopK算法统计出出现次数做多的前100个字符串。
首先我用Hashtable统计出了每个字符串出现的次数,
然后我突然发现需要用一个字典把这些字符串中无用的词过滤掉,所以我又定义了一个HashSet作为统计字典。
我最初的代码如下:
1 Stopwatch st = new Stopwatch();//计时器
2 Hashtable queryTable = TopK.GetHashtable();//获得HashTable
3 HashSet<string> test = new HashSet<string>();
4 string path = "dic.txt";
5 if (File.Exists(path))
6 {
7
8 using (StreamReader sr = new StreamReader(path, System.Text.Encoding.Default))
9 {
10 string s = string.Empty;
11 while (!string.IsNullOrEmpty(s = sr.ReadLine()))
12 {
13 test.Add(s);
14 }
15 }
16 }//创建过滤字典
17 Hashtable queryTable2 = new Hashtable();
18 List<string> teststring = new List<string>();
19 var aa = teststring[0];
20 foreach (var key in queryTable.Keys)//对Hashtable中的key进行过滤
21 {
22
23 if (!test.Contains(key))
24 {
25 queryTable2.Add(key, queryTable[key]);
26 }
27
28 }
29 st.Stop();
30 Console.WriteLine(st.ElapsedMilliseconds);
31 Console.Read();
一眼看上去,这段代码并没有什么错误,(HashTable中有120多万字符串,字典中有11万字符串)
可是当我运行以后,竟然很久都没有出现结果,终于控制台上输出了2400000,竟然运行了2400秒!
仔细想了以后,首先加载字典不可能消耗什么时间,唯一可能消耗时间的就是这段语句了
1 foreach (var key in queryTable.Keys)//对Hashtable中的key进行过滤
2 {
3
4 if (!test.Contains(key))
5 {
6 queryTable2.Add(key, queryTable[key]);
7 }
8
9 }
test是HashSet类型,它的查找,也就是contains方法的时间复杂度应该是O(1)啊,不应该那么长时间啊,难道是var 定义的key,装箱/拆箱导致的?
然后我将var改成了string,
1 foreach (string key in queryTable.Keys)//对Hashtable中的key进行过滤
2 {
3
4 if (!test.Contains(key))
5 {
6 queryTable2.Add(key, queryTable[key]);
7 }
8
9 }
结果仅仅15秒控制台就输出了运行结果:1537
可MSDN上对var的定义是:
在方法范围中声明的变量可以具有隐式类型 var。 隐式类型的本地变量是强类型变量(就好像您已经声明该类型一样),但由编译器确定类型。
可我HashTable中的key添加的是字符串啊,然后我又找到了HashTable.add方法的原型,
1 public virtual void Add (
2 Object key,
3 Object value
4 )
真是坑啊,原来Hashtable在添加元素的时候,自动转化成了object类型
为了一探究竟,再用ILspy查看底层源代码,
找到if (!test.Contains(key))这一句
修改前
1 IL_00a4: ldloc.s CS$5$0001
2 IL_00a6: callvirt instance object [mscorlib]System.Collections.IEnumerator::get_Current()
3 IL_00ab: stloc.s key
4 IL_00ad: nop
5 IL_00ae: ldloc.2
6 IL_00af: ldloc.s key
7 IL_00b1: call bool [System.Core]System.Linq.Enumerable::Contains<object>(class [mscorlib]System.Collections.Generic.IEnumerable`1<!!0>, !!0)
8 IL_00b6: stloc.s CS$4$0000
9 IL_00b8: ldloc.s CS$4$0000
10 IL_00ba: brtrue.s IL_00d0
由于编译器默认key为object类型,它竟然调用了IEnumerable接口的Contains方法的实现,mscorlib]System.Collections.Generic.IEnumerable`1<!!0>, !!0)
(HashSet实现了IEnumerable)也就是不断的去调用HashSet的每个元素的Equals方法和key去比较。。。
怪不得运行了那么长时间
修改后
1 IL_00a4: ldloc.s CS$5$0001
2 IL_00a6: callvirt instance object [mscorlib]System.Collections.IEnumerator::get_Current()
3 IL_00ab: castclass [mscorlib]System.String
4 IL_00b0: stloc.s key
5 IL_00b2: nop
6 IL_00b3: ldloc.2
7 IL_00b4: ldloc.s key
8 IL_00b6: callvirt instance bool class [System.Core]System.Collections.Generic.HashSet`1<string>::Contains(!0)
9 IL_00bb: stloc.s CS$4$0000
10 IL_00bd: ldloc.s CS$4$0000
11 IL_00bf: brtrue.s IL_00d5
这时才调用了正常的HashSet的Contains实现[System.Core]System.Collections.Generic.HashSet`1<string>::Contains(!0)
时间复杂度为O(1)
仔细思考,这里还有一个陷阱就是在调用HashSet.Contains(object a)有两种实现,
第一种就是我们平时所熟悉的,调用IEnumerator的接口,把每个元素和参数a比较(调用Equals方法),判断a是否在HashSet中
第二种是泛型实现HashSet.Contains<T>(T a),T是我们再定义HashSet时指定的类型,这时候Contains才会采用哈希表的形式去查找a
而我们在使用时,如果不指定类型T ,编译器会自动进行一次优化,编译器会判断a是否为T类型,
如果为T类型,编译器会自动调用第二种实现,如果不是,就会调用第一种