跳表——C++

最新推荐文章于 2026-04-15 08:41:36 发布

原创最新推荐文章于 2026-04-15 08:41:36 发布 · 1.3k 阅读

本内容遵循CC 4.0 BY-SA版权协议

标签

#c++ #开发语言

目录

1.什么是跳表-skiplist

2.skiplist的效率如何保证？

3.skiplist的实现

3.1跳表节点设计

3.2跳表的初始化构造

3.3跳表的查找

3.4跳表的插入

3.5跳表的删除

4.skiplist跟平衡搜索树和哈希表的对比

1.什么是跳表-skiplist

skiplist本质上也是一种查找结构，用于解决算法中的查找问题，跟平衡搜索树和哈希表的价值是一样的，可以作为key或者key/value的查找模型。那么相比而言它的优势是什么的呢？那么等我们学习完它的细节实现，我们再来对比。

skiplist是由William Pugh发明的，最早出现于他在1990年发表的论文《Skip Lists: A Probabilistic Alternative to Balanced Trees》。对细节感兴趣的同学可以下载论文原文来阅读。 skiplist，顾名思义，首先它是一个list。实际上，它是在有序链表的基础上发展起来的。如果是一个有序的链表，查找数据的时间复杂度是O(N)。

William Pugh开始的优化思路：

1. 假如我们每相邻两个节点升高一层，增加一个指针，让指针指向下下个节点，如下图b所示。这样所有新增加的指针连成了一个新的链表，但它包含的节点个数只有原来的一半。由于新增加的指针，我们不再需要与链表中每个节点逐个进行比较了，需要比较的节点数大概只有原来的一半。

2. 以此类推，我们可以在第二层新产生的链表上，继续为每相邻的两个节点升高一层，增加一个指针，从而产生第三层链表。如下图c，这样搜索效率就进一步提高了。

3. skiplist正是受这种多层链表的想法的启发而设计出来的。实际上，按照上面生成链表的方式，上面每一层链表的节点个数，是下面一层的节点个数的一半，这样查找过程就非常类似 二分查找，使得查找的时间复杂度可以降低到O(log n)。但是这个结构在插入删除数据的时候有很大的问题，插入或者删除一个节点之后，就会打乱上下相邻两层链表上节点个数严格的2:1的对应关系。如果要维持这种对应关系，就必须把新插入的节点后面的所有节点（也包括新插入的节点）重新进行调整，这会让时间复杂度重新蜕化成O(n)。

4. skiplist的设计为了避免这种问题，做了一个大胆的处理，不再严格要求对应比例关系，而是插入一个节点的时候随机出一个层数。这样每次插入和删除都不需要考虑其他节点的层数，这样就好处理多了。细节过程入下图：

2.skiplist的效率如何保证？

上面我们说到，skiplist插入一个节点时随机出一个层数，听起来怎么这么随意，如何保证搜索时的效率呢？

这里首先要细节分析的是这个随机层数是怎么来的。一般跳表会设计一个最大层数maxLevel的限制，其次会设置一个多增加一层的概率p。那么计算这个随机层数的伪代码如下图：

这份伪代码的意思是我们设置初始层数是1，然后我们来一个循环，如果我们生成的随机数（0~1）小于我们所设的p概率，并且层数小于我们所设置的最高层数，我们就可以给层数进行++操作，一直循环直至不满足判断条件我们就结束循环返回层数。

在Redis的skiplist实现中，这两个参数的取值为：
p = 1/4
maxLevel = 32
根据前面randomLevel()的伪码，我们很容易看出，产生越高的节点层数，概率越低。定量的分析如下：

节点层数至少为1。而大于1的节点层数，满足一个概率分布。

节点层数恰好等于1的概率为1-p。

节点层数大于等于2的概率为p，而节点层数恰好等于2的概率为p(1-p)。

节点层数大于等于3的概率为p^2，而节点层数恰好等于3的概率为p^2*(1-p)。

节点层数大于等于4的概率为p^3，而节点层数恰好等于4的概率为p^3*(1-p)。

……

因此，一个节点的平均层数（也即包含的平均指针数目），计算如下：

现在很容易计算出：

当p=1/2时，每个节点所包含的平均指针数目为2；

当p=1/4时，每个节点所包含的平均指针数目为1.33。

跳表的平均时间复杂度为O(logN)，这个推导的过程较为复杂，需要有一定的数据功底，有兴趣的老铁，可以参考以下文章中的讲解：

铁蕾大佬的博客：Redis内部数据结构详解(6)——skiplist - 铁蕾的个人博客

William_Pugh大佬的论文：ftp://ftp.cs.umd.edu/pub/skipLists/skiplists.pdf

3.skiplist的实现

1206. 设计跳表 - 力扣（LeetCode）

我们用上面的一道力扣题来帮助我们实现跳表

3.1跳表节点设计
struct SkiplistNode
{
 int _val;
 vector<SkiplistNode*> _nextV;
 SkiplistNode(int val, int level)
 :_val(val)
 , _nextV(level, nullptr)
 {}
};
我们的跳表包含两个成员变量，_val表示我们的值，_nextV表达的是我们跳表每一个节点中的每一层所指向的下一个节点的指针，我们设计成顺序表可以帮助我们查找过程跟插入过程都更加方便。接下来我们对它们来一个带参构造进行初始化就好了。

为了我们后续代码编写更加方便，我们可以将跳表节点重命名为简单的node
typedef SkiplistNode Node;
我们可以根据题目所提供的类和函数来进行我们接下来的编写。

我们跳表的成员变量如下代码所示：

_head是我们的哨兵位头节点，_maxLevel是我们设置的最高层数，_p是我们设置的概率为我们的随机层数做准备的。
private:
 Node* _head; // 头节点
 size_t _maxLevel = 32;
 double _p = 0.25;
3.2跳表的初始化构造
Skiplist() {
 srand(time(0));
 // 头节点，层数是1
 _head = new SkiplistNode(-1, 1);
 }
根据我们之前的分析我们节点的层数是由随机数出来的，因此在C++中我们要先配一下时间种子让我们的随机数不是伪随机。接下来我们再构建我们的哨兵位节点。

3.3跳表的查找
bool search(int target) {
 Node* cur = _head;
 int level = _head->_nextV.size() - 1;
 while (level >= 0)
 {
 // 目标值比下一个节点值要大，向右走
 // 下一个节点是空(尾)，目标值比下一个节点值要小，向下走
 if (cur->_nextV[level] && cur->_nextV[level]->_val < target)
 {
 // 向右走
 cur = cur->_nextV[level];
 }
 else if (cur->_nextV[level] == nullptr || cur->_nextV[level]-
>_val > target)
 {
 // 向下走
 --level;
 }
 else
 {
 return true;
 }
 }
 return false;
 }
我们先来把跳表的查询功能给实现了。它给我们一个关键字，我们要如何根据这个关键字去查找我们的节点呢？按照我们跳表的思想，我们可以利用cur节点指针和level下标来完成我们的功能，这是因为按照跳表的思想，我们如果要快速查找某一元素肯定是从最高的一层去找，如果比最高的一层当前元素要大我们就在同层依次往后去找，如果小了我们就降到下一层去找，以此类推。这一过程有那么一点像二叉树的感觉。在弄清楚了这个过程之后，我们会发现跳表的查询功能其实是蛮简单的。

3.4跳表的插入

在讲插入逻辑之前我们得先讲一个查找前驱节点的函数，因为我们跳表的特性我们是不确定前驱节点的具体个数和位置的，这就会导致我们到时候节点跟前面的一些节点无法很好的连接，因此我们需要来这么一个功能来帮助我们实现这个过程。
vector<Node*> FindPrevNode(int num)
 {
 Node* cur = _head;
 int level = _head->_nextV.size() - 1;
 // 插入位置每一层前一个节点指针
 vector<Node*> prevV(level + 1, _head);
 while (level >= 0)
 {
 // 目标值比下一个节点值要大，向右走
// 下一个节点是空(尾)，目标值比下一个节点值要小，向下走
 if (cur->_nextV[level] && cur->_nextV[level]->_val < num)
 {
 // 向右走
 cur = cur->_nextV[level];
 }
 else if (cur->_nextV[level] == nullptr
 || cur->_nextV[level]->_val >= num)
 {
 // 更新level层前一个
 prevV[level] = cur;
 // 向下走
 --level;
 }
 }
 return prevV;
 }
我们这个查找过程会将目前最高的层数个都记录下来，过程还是跟上面的查找类似，我们把每一层比它小的最后一个节点放到我们的这个顺序表里，这样我们新插入的节点不管是几层我们都可以将它对应的前驱节点快速找出来。
int RandomLevel()
 {
 size_t level = 1;
 // rand() ->[0, RAND_MAX]之间
 while (rand() <= RAND_MAX*_p && level < _maxLevel)
 {
 ++level;
 }
 return level;
 }
这是我们随机层数的方法，跟我们之前的分析是一模一样的。
void add(int num) {
 vector<Node*> prevV = FindPrevNode(num);
 int n = RandomLevel();
 Node* newnode = new Node(num, n);
 // 如果n超过当前最大的层数，那就升高一下_head的层数
 if (n > _head->_nextV.size())
 {
 _head->_nextV.resize(n, nullptr);
 prevV.resize(n, _head);
 }
 // 链接前后节点
 for (size_t i = 0; i < n; ++i)
 {
 newnode->_nextV[i] = prevV[i]->_nextV[i];
 prevV[i]->_nextV[i] = newnode;
 }
       // Print();
 }
prevV是我们的前驱节点数组，n是我们的随机层数，如果我们的随机层数大于当前哨兵位的层数，我们就要给哨兵位节点的层数升高一下。然后我们给新插入的节点直接连接就好了。

3.5跳表的删除
bool erase(int num) {
 vector<Node*> prevV = FindPrevNode(num);
 // 第一层下一个不是val，val不在表中
 if (prevV[0]->_nextV[0] == nullptr || prevV[0]->_nextV[0]->_val != 
num)
 {
 return false;
 }
 else
 {
 Node* del = prevV[0]->_nextV[0];
 // del节点每一层的前后指针链接起来
 for (size_t i = 0; i < del->_nextV.size(); i++)
 {
prevV[i]->_nextV[i] = del->_nextV[i];
 }
 delete del;
            // 如果删除最高层节点，把头节点的层数也降一下
            int i = _head->_nextV.size()-1;
            while(i >= 0)
           {
                if(_head->_nextV[i] == nullptr)
                    --i;
                else
                    break;
           }
            _head->_nextV.resize(i+1);
 return true;
 }
 }
删除的操作其实跟插入的操作是大差不差的，都是调整这个节点的前驱节点的指向，无非多了两步，一步是判断是否有这个值，没有的话我们直接返回false，其次是如果删除的是我们最高层的节点是我们还要进行降哨兵位节点层的操作。

4.skiplist跟平衡搜索树和哈希表的对比

1. skiplist相比平衡搜索树(AVL树和红黑树)对比，都可以做到遍历数据有序，时间复杂度也差不多。skiplist的优势是：

a、skiplist实现简单，容易控制。平衡树增删查改遍历都更复杂。

b、skiplist的额外空间消耗更低。平衡树节点存储每个值有三叉链，平衡因子/颜色等消耗。 skiplist中p=1/2时，每个节点所包含的平均指针数目为2；skiplist中p=1/4时，每个节点所包含的平均指针数目为1.33；

2. skiplist相比哈希表而言，就没有那么大的优势了。相比而言

a、哈希表平均时间复杂度是 O(1)，比skiplist快。

b、哈希表空间消耗略多一点。

skiplist优势如下：a、遍历数据有序

b、skiplist空间消耗略小一点，哈希表存在链接指针和表空间消耗。

c、哈希表扩容有性能损耗。

d、哈希表在极端场景下哈希冲突高，效率下降厉害，需要红黑树补足接力。