【C++】哈希——unordered系列容器&哈希概念&哈希冲突

文章目录

1. unordered系列的关联式容器
2. 哈希概念
3. 哈希函数
4. 哈希冲突
5. 哈希冲突的解决——开散列和闭散列
- 5.1 闭散列
- 5.2 开散列

1. unordered系列的关联式容器

1.1 引言

在C++98中，STL提供了底层为红黑树结构的一系列关联式容器，在查询时效率可达到 $log_2 N$ ，即最差情况下需要比较红黑树的高度次，当树中的节点非常多时，查询效率也不理想。最好的查询是，进行很少的比较次数就能够将元素找到，因此在C++11中，STL又提供了4个 unordered系列的关联式容器，这四个容器与红黑树结构的关联式容器使用方式基本类似，只是其底层结构不同，本文中只对unordered_map和unordered_set进行介绍， unordered_multimap和unordered_multimap可以去自行查看使用文档cplusplus

注意：实际上，unordered系列容器的使用和map/set基本一致，区别就在于unordered系列只支持单向迭代器，并且由于结构的限制，遍历unordered系列容器的顺序是无序的

1.2 unordered_map的使用说明

使用文档

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Lh9sfZMp-1684930297303)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2013.41.16.png)]

void Test_unordered_map()
{
    
    
    unordered_map<string, int> countMap;
    string arr[] = {
    
     "苹果", "西瓜", "香蕉","苹果", "西瓜", "西瓜"};
    for(const auto& str : arr)
    {
    
    
        //countMap[str]++;
        auto it = countMap.find(str);
        if(it == countMap.end())
        {
    
    
            countMap.insert(make_pair(str, 1));
        }
        else
        {
    
    
            it->second++;
        }
    }
    for(const auto& kv : countMap)
    {
    
    
        cout << kv.first << ":" << kv.second << endl;
    }
    cout << endl;
}

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zQ3hv30X-1684930297304)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2013.48.12.png)]

除了map的接口之外，由于unordered_map的底层是哈希桶，所以，有一些只属于哈希桶的接口

函数原型	功能介绍
size_t bucket_count() const	返回哈希桶中桶的总个数
size_t max_bucket_count() const	返回哈希桶中能够容纳的最大的桶个数
size_t bucket_size(size_t n) const	返回哈希桶中有效元素个数
size_t bucket(const K& key)	返回元素key所在的桶号

1.3 unordered_set的使用说明

使用文档

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-l4MBpovo-1684930297304)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2013.33.08.png)]

void Test_unordered_set()
{
    
    
    unordered_set<int> us;
    us.insert(10);
    us.insert(2);
    us.insert(4);
    us.insert(5);
    us.insert(3);
    us.insert(1);
    us.insert(10);
    unordered_set<int>::iterator it = us.begin();
    while(it != us.end())
    {
    
    
        cout << *it << " ";
        ++it;
    }
    cout << endl;
}

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YZHaJAyB-1684930297304)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2014.04.56.png)]

扫描二维码关注公众号，回复： 16969970 查看本文章

1.4 unordered_set和unordered_map的应用

在长度为2*N的数组中找到重复出现N次的数

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xTk0r0sx-1684930297305)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2014.44.00.png)]

1.5 性能比较

void Test_efficient()
{
    
    
	const size_t N = 1000000;//测试的数据个数
    //构造两个数组，一个有序一个无序，用于测试
	vector<int> SortV;
    vector<int> UnsortV;
	SortV.reserve(N);
	UnsortV.reserve(N);
	srand(time(0));
	for (int i = 0; i < N; ++i)
	{
    
    
		UnsortV.push_back(rand());
        SortV.push_back(i);
	}
    //开始测试
    unordered_set<int> SortUs;
    unordered_set<int> UnsortUs;
	set<int> SortS;
	set<int> UnsortS;
    cout << "有序插入效率对比" << endl;
	size_t begin1 = clock();
	for (auto e : SortV)
	{
    
    
		SortS.insert(e);
	}
	size_t end1 = clock();
	cout << "set insert sorted:" << end1 - begin1 << endl;
	size_t begin2 = clock();
	for (auto e : SortV)
	{
    
    
		SortUs.insert(e);
	}
	size_t end2 = clock();
	cout << "unordered_set insert sorted:" << end2 - begin2 << endl;
    cout << "无序插入效率对比" << endl;
	size_t begin3 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortS.insert(e);
	}
	size_t end3 = clock();
	cout << "set insert unsort:" << end3 - begin3 << endl;
	size_t begin4 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortUs.insert(e);
	}
	size_t end4 = clock();
	cout << "unordered_set insert unsort:" << end4 - begin4 << endl;
	
    cout << "有序查找效率对比" << endl;
    size_t begin5 = clock();
	for (auto e : SortV)
	{
    
    
		SortS.find(e);
	}
	size_t end5 = clock();
	cout << "set find sorted:" << end5 - begin5 << endl;
	size_t begin6 = clock();
	for (auto e : SortV)
	{
    
    
		SortUs.find(e);
	}
	size_t end6 = clock();
	cout << "unordered_set find sorted:" << end6 - begin6 << endl;
    cout << "无序查找效率对比" << endl;
    size_t begin7 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortS.find(e);
	}
	size_t end7 = clock();
	cout << "set find unsorted:" << end7 - begin7 << endl;
	size_t begin8 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortUs.find(e);
	}
	size_t end8 = clock();
	cout << "unordered_set find unsorted:" << end8 - begin8 << endl;
    cout << "有序删除效率对比" << endl;
	size_t begin9 = clock();
	for (auto e : SortV)
	{
    
    
		SortS.erase(e);
	}
	size_t end9 = clock();
	cout << "set erase sorted:" << end9 - begin9 << endl;
	size_t begin10 = clock();
	for (auto e : SortV)
	{
    
    
		SortUs.erase(e);
	}
	size_t end10 = clock();
	cout << "unordered_set erase:" << end10 - begin10 << endl;
    cout << "无序删除效率对比" << endl;
    size_t begin11 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortS.erase(e);
	}
	size_t end11 = clock();
	cout << "set erase sorted:" << end11 - begin11 << endl;
	size_t begin12 = clock();
	for (auto e : UnsortV)
	{
    
    
		UnsortUs.erase(e);
	}
	size_t end12 = clock();
	cout << "unordered_set erase:" << end12 - begin12 << endl;
}

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wXEUyCsZ-1684930297305)(https://pic-bed123.oss-cn-nanjing.aliyuncs.com/%E6%88%AA%E5%B1%8F2023-05-23%2015.07.18.png)]

可以看到随机数下unordered系列效率更高，但是有序数的情况下就不太行。

2. 哈希概念

unordered系列的关联式容器之所以效率比较高，是因为其底层使用了哈希结构，那么什么是哈希？

顺序结构以及平衡树中，元素关键码与其存储位置之间没有对应的关系，因此在查找一个元素时，必须要经过关键码的多次比较。顺序查找时间复杂度为O(N)，平衡树中为树的高度，即**O( $log_2 N$ )**搜索的效率取决于搜索过程中元素的比较次数。

理想的搜索方法:可以不经过任何比较，一次直接从表中得到要搜索的元素。类似通过下标访问数组中任意位置的元素。如果构造一种存储结构，通过某种函数(HashFunc)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，那么在查找时通过该函数可以很快找到该元素。

当向该结构中插入元素时：根据待插入元素的关键码，以此函数计算出该元素的存储位置并按此位置进行存放；搜索元素时：对元素的关键码进行同样的计算，把求得的函数值当做元素的存储位置，在结构中按此位置取元素比较，若关键码相等，则搜索成功.

该方式即为哈希(散列)方法，哈希方法中使用的转换函数称为哈希(散列)函数，构造出来的结构称为哈希表(Hash Table)(或者称散列表)

接下来我们看下面这个例子：

假设有数据集{1, 7, 6, 4, 5, 9};

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

按照这种存放方式，如果需要查找4，就直接通过4 % 10 = 4找到hash(key) = 4的位置，直接取出来即可，省略了多次key的比较，节约了时间。

3. 哈希函数

哈希结构最关键的点就是哈希函数的设置

哈希函数的设置原则

哈希函数的定义域必须包括需要存储的全部关键码，而如果散列表允许有m个地址时，其值域必须在0到m-1之间

哈希函数计算出来的地址能均匀分布在整个空间中

哈希函数应该比较简单

常见的哈希函数设置方法

直接定址法常用

直接定址法是最常用的哈希函数，就是根据key直接取到存储位置，这里的位置可能是绝对位置也可能是相对位置。

哈希函数：Hash(Key)= A*Key + B

例如对于统计字符串中某种字符出现的次数，key的范围比较小，所以这里可以直接映射

Hash(key) = 1 * ‘a’ - ‘a’,这里就把a映射给0，所以显而易见z映射给了26。

但是如果数据比较分散的话，就不适合使用直接定址法了，比如对于集合{1, 2, 3, 4,99, 999},就会造成很大的空间浪费

除留余数法常用

为了应对直接定址法中的数据较为分散造成空间浪费的情况，有人设计出了除留余数法，用于集中数据。设哈希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的素数p作为除数，按照哈希函数，将关键码转换成哈希地址。

**哈希函数：**Hash(key) = key % p (p<=m)

平方取中法了解

假设关键字为1234，对它平方就是1522756，抽取中间的3位227作为哈希地址; 再比如关键字为4321，对它平方就是18671041，抽取中间的3位671(或710)作为哈希地址

适合:不知道关键字的分布，而位数又不是很大的情况

折叠法了解

折叠法是将关键字从左到右分割成位数相等的几部分(最后一部分位数可以短些)，然后将这几部分叠加求和，并按散列表表长，取后几位作为散列地址。

适合事先不需要知道关键字的分布，适合关键字位数比较多的情况

随机数法了解

选择一个随机函数，取关键字的随机函数值为它的哈希地址，

**哈希函数：**Hash(key) = random(key),其中 random为随机数函数。

通常应用于关键字长度不等时采用此法

数学分析法了解

设有n个d位数，每一位可能有r种不同的符号，这r种不同的符号在各位上出现的频率不一定相同，可能在某些位上分布比较均匀，每种符号出现的机会均等，在某些位上分布不均匀只有某几种符号经常出现。可根据散列表的大小，选择其中各种符号分布均匀的若干位作为散列地址。

例如:假设要存储某家公司员工登记表，如果用手机号作为关键字，那么极有可能前7位都是相同的，那么我们可以选择后面的四位作为散列地址，如果这样的抽取工作还容易出现冲突，还可以对抽取出来的数字进行反转(如1234改成4321)、右环位移(如1234改成4123)、左环移位、前两数与后两数叠加(如1234改成12+34=46)等方法。

适合处理关键字位数比较大的情况，如果事先知道关键字的分布且关键字的若干位分布较均匀的情况

4. 哈希冲突

上面那个例子，使用哈希的方式解决，看起来这样的算法非常棒，但是，如果数据集中还有一个44需要被插入，怎么办呢？44对应的hashkey也是4，和4产生了冲突。这就是哈希冲突，也叫哈希碰撞。

对于两个数据元素的关键字 $k_i$ 和 $k_j$ (i != j)，有 $k_i$ != $k_j$ ，但有:Hash( $k_i$ ) == Hash( $k_j$ )，即:不同关键字通过相同哈希哈数计算出相同的哈希地址，该种现象称为哈希冲突/哈希碰撞，把具有不同关键码而具有相同哈希地址的数据元素称为“同义词”。

哈希函数的设置决定了哈希冲突的产生可能性，哈希函数设置的越巧妙，越能够减小哈希冲突，但是哈希冲突是不可能被完全避免的

5. 哈希冲突的解决——开散列和闭散列

由于哈希冲突是不可避免的，所以当然要总结哈希冲突的解决方案，一般来说，解决方案分为两种——闭散列和开散列。

5.1 闭散列

闭散列也叫开放定址法：当发生哈希冲突的时候，如果哈希表还没有被装满，那么就有空余的位置存放，那么就可以把key存放到冲突位置的“下一个空位置”中。

那么，怎么寻找下一个空位置呢？

这里同样有很多种方式，最经典的就是线性探测

同样的，针对上述的哈希冲突的例子，现在需要插入元素44，通过哈希函数计算出哈希地址为4，因此44理论上插入的位置是4，但是由于该位置已经存放了值为4的元素，出现哈希冲突，所以依次向后探测，直到寻找到下一个空位置为止。

所以，针对线性探测的插入和删除算法如下：

插入

通过哈希函数获取到待插入元素在哈希表中的为止

如果该位置没有元素就直接插入新元素，如果该位置有元素就继续找下一个空位置，插入新元素
删除

采用闭散列处理哈希冲突时，不能随便物理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4，如果直接删除掉，44查找起来可能会受影响。因此线性探测采用标记的伪删除法来删除一个元素。

所谓伪删除法就是用一个状态标志来代表此位置的状态
enum State {
       
       EMPTY, EXIST, DELETE};
// EMPTY此位置空， EXIST此位置已经有元素， DELETE元素已经删除

闭散列线性探测的哈希表代码实现插入删除查找

首先对于闭散列的哈希表，有以下的结构设计

由于伪删除法的存在，所以需要让表里面存放的数据中增加一个状态变量，这里使用一个枚举来给出状态情况
```
enum State {
      
       EMPTY, EXIST, DELETE };
```

表中的元素类型是一个KV结构的pair和一个状态变量state，所以哈希数据结构体设计如下

//HashData数据结构体
template<class K, class V>
struct HashData
{
      
      
    std::pair<K, V> _kv;
    State _state = EMPTY;
}

由于KV结构中的key是一个泛型，当我们在进行哈希映射的时候，需要先让其映射成为整型，然后才能够映射到哈希地址，所以这里提供一个仿函数，用于将key映射到整型家族

//仿函数，映射到整型
template<class K>
struct HashFunc
{
      
      
    size_t operator()(const K& key)
    {
      
      
        return (size_t)key;
    }
};

由于string类型在哈希映射中使用的频率非常高，所以有人对string的哈希算法做了一些研究与总结，这里附上链接，有兴趣的小伙伴可以去看一看 [字符串哈希算法](各种字符串Hash函数 - clq - 博客园 (cnblogs.com)),下面是hash映射的string类型的特化

//模版特化，针对string类型
template<>
struct HashFunc<std::string>
{
    
    
    size_t operator()(const std::string& key)
    {
    
    
        //采用了特殊方法把各元素的值放在一起
        size_t hash = 0;
        for (auto ch : key)
        {
    
    
            hash *= 131;
            hash += ch;
        }
        return hash;
    }
};

闭散列哈希表的结构

由于哈希表是KV模型，所以模板参数中肯定要有KV，除此之外，由于哈希映射的key要求是整型，所以一定需要提供一个仿函数来把key映射给整型
哈希表本身使用一个vector来管理，再加上一个整型的n用来存放哈希表中的有效数据个数

所以哈希表的结构就显而易见了

template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
      
      
public:
    HashTable()//由于哈希表需要根据容量来判断哈希地址，所以_tables必须要先初始化，所以这里显示写构造函数
        :_n(0)
	{
      
      
		_tables.resize(10);
	}
private:
    std::vector<Data> _tables;//表里面存储的是HashData，HashData内部是一个KV结构和一个状态
    size_t _n = 0;//存储表中的有效数据个数
};

插入

//插入
bool Insert(const std::pair<K,V>& kv)
{
      
      
    if(Find(kv.first))//如果已经存在，插入失败返回false
        return false;
    //扩容:判断是否扩容的方式是判断负载因子大小 负载因子 = 存放有效个数/哈希表容量（一般对于线性探测来说都是小于1的）
    if(_n * 10 / _tables.size() >= 7)//负载因子大于0.7时扩容
    {
      
      
        //这里采用二倍的方式扩容，实际上不是这样扩容的，在上文中说明按照
        HashTable<K, V, Hash> newTable;
        newTable._tables.resize(2 * _tables.size());//重新创建一个哈希表，大小是原表的二倍
        for(auto& e : _tables)//遍历原表，如果有数据的话就在新表中插入
        {
      
      
            if(e._state == EXIST)
            {
      
      
                newTable.Insert(e._kv);
            }
        }
        _tables.swap(newTable._tables);//交换二者的表（vector对象），这里调用的是vecotr库里的swap
    }

    //插入数据
    size_t hashi = Hash()(kv.first) % _tables.size();//通过Hash的匿名对象映射出一个整形，通过这个整型除留余数从而定址
    while(_tables[hashi]._state == EXIST)//映射的位置已经有值，出现哈希冲突，进行线性探测
    {
      
      
        ++hashi;
        hashi %= _tables.size();//++之后可能大于size，所以需要 模等一下
    }

    _tables[hashi]._kv = kv;
    _tables[hashi]._state = EXIST;
    ++_n;
    return true;
}

删除

//删除
bool Erase(const K& key)
{
      
      
    //由于直接删除该位置的值会引发后面的值的映射错误（会导致在找的时候提前找到空，所以不能直接删除，要使用伪删除法删除，即给一个DELETE状态）
    Data* ret = Find(key);
    if(ret)//找到值
    {
      
      
        //将该位置的值状态置为DELETE，然后n--
        ret->_state = DELETE;
        --_n;
        return true;//返回true表示删除成功
    }
    else//哈希表中没有该值，返回false
    {
      
      
        return false;
    }
}

查找

//查找
Data* Find(const K& key)
{
      
      
    //按照哈希函数的方式计算，得到哈希地址
    size_t hashi = Hash()(key) % _tables.size();
    //从该地址向后寻找，由于线性探测的问题，所以该地址不一定是实际存放要找的位置的值，所以需要继续向后找，直到遇到EMPTY为止
    while(_tables[hashi]._state != EMPTY)
    {
      
      
        if(_tables[hashi]._state == EXIST && _tables[hashi]._kv.first == key)
            return &_tables[hashi];//找到了返回地址
        else//否则++hashi继续寻找
        {
      
      
            ++hashi;
            hashi %= _tables.size();
        }
    }
    return nullptr;//最终遇到EMPTY都没找到，返回空指针
}

闭散列二次探测的哈希表代码实现插入删除查找

实际上，线性探测也是具有一定的缺陷的，线性探测的缺陷就是会将产生冲突的数据堆积在一块，这与其找下一个空位置有关系，因为找空位置的方式就是挨着往后逐个去找，因此二次探测为了避免该问题，找下一个空位置的方法为： $H_i$ = ( $H_0$ + $i^2$ )% m, 或者： $H_i$ = ( $H_0$ - $i^2$ )% m。其中：i =1,2,3…， $H_0$ 是通过散列函数Hash(x)对元素的关键码 key 进行计算得到的位置，m是表的大小。
那么，对于2.1中如果要插入44，产生冲突，使用解决后的情况为

由于闭散列不管使用什么探测方式，都是治标不治本，所以这里就不再继续代码实现二次探测了，下面我们看一看开散列的实现方式

5.2 开散列

开散列法又叫链地址法(开链法)，首先对关键码集合用散列函数计算散列地址，具有相同地址的关键码归于同一子集合，每一个子集合称为一个桶，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

从上图可以看出，开散列中每个桶中放的都是发生哈希冲突的元素。

开散列哈希表代码实现插入删除查找

首先由于结构的原因，要把数据链接起来需要一个节点类：

template<class K, class V>
struct HashNode
{
      
      
    std::pair<K, V> _kv;
    HashNode* _next;
    HashNode(const std::pair<K, V>& kv)
        :_kv(kv)
            ,_next(nullptr)
        {
      
      }
};

同样的，由于KV结构中的key是一个泛型，当我们在进行哈希映射的时候，需要先让其映射成为整型，然后才能够映射到哈希地址，所以这里提供一个仿函数，用于将key映射到整型家族

template<class K>
struct HashFunc
{
      
      
    size_t operator()(const K& key)
    {
      
      
        return (size_t)key;
    }
};
template<>//模板的特化
struct HashFunc<std::string>
{
      
      
    size_t operator()(const std::string& key)
    {
      
      
        size_t hash = 0;
        for (auto ch : key)
        {
      
      
            hash *= 131;
            hash += ch;
        }
        return hash;
    }
};

开散列的哈希表结构

template<class K, class V, class Hash = HashFunc<K>>
class HashTable
{
        
        
    typedef HashNode<K, V> Node;
public:
    HashTable()
        :_n(0)
        {
        
        
            _tables.resize(10);
        }
private:
    std::vector<Node*> _tables;//本质上是一个指针数组，存放节点指针。
    size_t _n = 0;
};

插入

bool Insert(const std::pair<K,V>& kv)
{
        
        
    if(Find(kv.first))
        return false;
    //扩容
    //负载因子为1的时候就扩容
    if(_n == _tables.size())
    {
        
        
        //扩容方式有两种，一种是遍历，然后创建新节点挂在新表上
        //由于方案一造成的消耗较大，所以这里就不实现了
        //                HashTable<K, V, Hash> newTable;
        //                newTable._tables.resize(2 * _tables.size());
        //另一种是直接更改节点的指向
        std::vector<Node*> newTables;
        newTables.resize(2* _tables.size(), nullptr);//这里暂时使用2倍的方式扩容
        for(size_t i = 0; i < _tables.size(); ++i)//遍历旧表，依次拿到每个桶的头节点
        {
        
        
            Node* cur = _tables[i];
            while(cur)
            {
        
        
                Node* next = cur->_next;//先使用一个指针保存next，以免更改cur指向之后找不到其他节点
                size_t hashi = Hash()(cur->_kv.first) % newTables.size();//计算哈希位置
                //头插到新表中
                cur->_next = newTables[hashi];
                newTables[hashi] = cur;

                cur = next;//迭代到next
            }
            _tables[i] = nullptr;//将旧表的内容置空，以免出现自动析构旧表的时候释放节点
        }
        _tables.swap(newTables);//交换旧表和新表
    }
    //插入
    size_t hashi = Hash()(kv.first) % _tables.size();//定址
    //头插
    Node* newnode = new Node(kv);
    newnode->_next = _tables[hashi];
    _tables[hashi] = newnode;
    ++_n;

    return true;
}

删除

bool Erase(const K& key)
{
        
        
    size_t hashi = Hash()(key) % _tables.size();
    Node* prev = nullptr;//用prev存放当前节点的上一个节点，从而链接cur的前后节点
    Node* cur = _tables[hashi];
    while(cur)
    {
        
        
        if(cur->_kv.first == key)//找到了,准备删除
        {
        
        
            if(_tables[hashi] == cur)//删除桶的头节点
            {
        
        
                _tables[hashi] = cur->_next;
            }
            else//删除非头节点
            {
        
        
                prev->_next = cur->_next;
            }

            delete cur;
            --_n;
            return true;
        }
        else//没找到
        {
        
        
            prev = cur;
            cur = cur->_next;
        }
    }

    return false;
}

查找

Node* Find(const K& key)
{
        
        
    size_t hashi = Hash()(key) % _tables.size();//找到key对应的哈希地址
    Node* cur = _tables[hashi];//遍历该地址对应的哈希桶
    while(cur)
    {
        
        
        if(cur->_kv.first == key)//找到了
        {
        
        
            return cur;
        }
        else//没找到
        {
        
        
            cur = cur->_next;
        }
    }
    return nullptr;
}

本节完……