知道跳表（Skip List）是在看關于Redis的書的時候，Redis中的有序集合使用了跳表數(shù)據(jù)結構。接著就查了一些博客，來學習一下跳表。后面會使用Java代碼來簡單實現(xiàn)跳表。

什么是跳表

跳表由William Pugh發(fā)明，他在論文《Skip lists: a probabilistic alternative to balanced trees》中詳細介紹了跳表的數(shù)據(jù)結構和插入刪除等操作，論文是這么介紹跳表的：

Skip lists are a data structure that can be used in place of balanced trees.Skip lists use probabilistic balancing rather than strictly enforced balancing and as a result the algorithms for insertion and deletion in skip lists are much simpler and significantly faster than equivalent algorithms for balanced trees.

也就是說，跳表可以用來替代紅黑樹，使用概率均衡技術，使得插入、刪除操作更簡單、更快。先來看論文里的一張圖：

觀察上圖

• a：已排好序的鏈表，查找一個結點最多需要比較N個結點。
• b：每隔2個結點增加一個指針，指向該結點間距為2的后續(xù)結點，那么查找一個結點最多需要比較ceil(N/2)+1個結點。
• c，每隔4個結點增加一個指針，指向該結點間距為4的后續(xù)結點，那么查找一個結點最多需要比較ceil(N/4)+1個結點。
• 若每第2^i 個結點都有一個指向間距為 2^i的后續(xù)結點的指針，這樣不斷增加指針，比較次數(shù)會降為log(N)。這樣的話，搜索會很快，但插入和刪除會很困難。

一個擁有k個指針的結點稱為一個k層結點（level k node）。按照上面的邏輯，50%的結點為1層，25%的結點為2層，12.5%的結點為3層…如果每個結點的層數(shù)隨機選取，但仍服從這樣的分布呢（上圖e，對比上圖d）？

使一個k層結點的第i個指針指向第i層的下一個結點，而不是它后面的第2^(i-1)個結點，那么結點的插入和刪除只需要原地修改操作；一個結點的層數(shù)，是在它被插入的時候隨機選取的，并且永不改變。因為這樣的數(shù)據(jù)結構是基于鏈表的，并且額外的指針會跳過中間結點，所以作者稱之為跳表（Skip Lists）。

二分查找底層依賴數(shù)組隨機訪問的特性，所以只能用數(shù)組實現(xiàn)。若數(shù)據(jù)存儲在鏈表，就沒法用二分搜索了？

其實只需稍微改造下鏈表，就能支持類似“二分”的搜索算法，即跳表（Skip list），支持快速的新增、刪除、搜索操作。

Redis中的有序集合（Sorted Set）就是用跳表實現(xiàn)的。我們知道紅黑樹也能實現(xiàn)快速的插入、刪除和查找操作。那Redis 為何不選擇紅黑樹來實現(xiàn)呢？

跳表的意義究竟在于何處？

單鏈表即使存儲的數(shù)據(jù)有序，若搜索某數(shù)據(jù)，也只能從頭到尾遍歷，搜索效率很低，平均時間復雜度是O(n)。

追求極致的程序員就開始想了，那這該如何提高鏈表結構的搜索效率呢？
若如下圖，對鏈表建立一級“索引”，每兩個結點提取一個結點到上一級，把抽出來的那級叫作索引或索引層。圖中的down表示down指針，指向下一級結點。

比如要搜索16：

先遍歷索引層，當遍歷到索引層的13時，發(fā)現(xiàn)下一個結點是17，說明目標結點位于這倆結點中間

然后通過down指針，下降到原始鏈表層，繼續(xù)遍歷
此時只需再遍歷2個結點，即可找到16！

原先單鏈表結構需遍歷10個結點，現(xiàn)在只需遍歷7個結點即可。可見，加一層索引，所需遍歷的結點個數(shù)就減少了，搜索效率提升。

若再加層索引，搜索效率是不是更高？于是每兩個結點再抽出一個結點到第二級索引?，F(xiàn)在搜索16，只需遍歷6個結點了！

這里數(shù)據(jù)量不大，可能你也沒感覺到搜索效率ROI高嗎。

那數(shù)據(jù)量就變大一點，現(xiàn)有一64結點鏈表，給它建立五級的索引。

原來沒有索引時，單鏈表搜索62需遍歷62個結點！
現(xiàn)在呢？只需遍歷11個！所以你現(xiàn)在能體會到了，當鏈表長度n很大時，建立索引后，搜索性能顯著提升。

這種有多級索引的，可以提高查詢效率的鏈表就是最近火遍面試圈的跳表。
作為嚴謹?shù)某绦騿T，我們又開始好奇了

跳表的搜索時間復雜度

我們都知道單鏈表搜索時間復雜度O(n)，那如此快的跳表呢？

若鏈表有n個結點，會有多少級索引呢？假設每兩個結點抽出一個結點作為上級索引，則：

• 第一級索引結點個數(shù)是n/2
• 第二級n/4第
• 三級n/8
• …
• 第k級就是n/(2^k)

假設索引有h級，最高級索引有2個結點，可得：n/(2h) = 2

所以：h = log2n-1

若包含原始鏈表這一層，整個跳表的高度就是log2 n。我們在跳表中查詢某個數(shù)據(jù)的時候，如果每一層都要遍歷m個結點，那在跳表中查詢一個數(shù)據(jù)的時間復雜度就是O(m*logn)。

那這個m的值是多少呢？按照前面這種索引結構，我們每一級索引都最多只需要遍歷3個結點，也就是說m=3，為什么是3呢？我來解釋一下。

假設我們要查找的數(shù)據(jù)是x，在第k級索引中，我們遍歷到y(tǒng)結點之后，發(fā)現(xiàn)x大于y，小于后面的結點z，所以我們通過y的down指針，從第k級索引下降到第k-1級索引。在第k-1級索引中，y和z之間只有3個結點（包含y和z），所以，我們在K-1級索引中最多只需要遍歷3個結點，依次類推，每一級索引都最多只需要遍歷3個結點。

通過上面的分析，我們得到m=3，所以在跳表中查詢任意數(shù)據(jù)的時間復雜度就是O(logn)。這個查找的時間復雜度跟二分查找是一樣的。換句話說，我們其實是基于單鏈表實現(xiàn)了二分查找，是不是很神奇？不過，天下沒有免費的午餐，這種查詢效率的提升，前提是建立了很多級索引，也就是我們在第6節(jié)講過的空間換時間的設計思路。

跳表是不是很費內存？

由于跳表要存儲多級索引，勢必比單鏈表消耗更多存儲空間。那到底是多少呢？
若原始鏈表大小為n：

• 第一級索引大約有n/2個結點
• 第二級索引大約有n/4個結點
• …
• 最后一級2個結點

多級結點數(shù)的總和就是：

n/2+n/4+n/8…+8+4+2=n-2

所以空間復雜度是O(n)。這個量還是挺大的，能否再稍微降低索引占用的內存空間呢？
若每三五個結點才抽取一個到上級索引呢？

• 第一級索引需要大約n/3個結點
• 第二級索引需要大約n/9個結點
• 每往上一級，索引結點個數(shù)都除以3

假設最高級索引結點個數(shù)為1，總索引結點數(shù)：n/3+n/9+n/27+…+9+3+1=n/2

盡管空間復雜度還是O(n)，但比上面的每兩個結點抽一個結點的索引構建方法，要減少了一半的索引結點存儲空間。

我們大可不必過分在意索引占用的額外空間，實際開發(fā)中，原始鏈表中存儲的有可能是很大的對象，而索引結點只需存儲關鍵值和幾個指針，無需存儲對象，所以當對象比索引結點大很多時，那索引占用的額外空間可忽略。

插入和刪除的時間復雜度

插入

在跳表中插入一個數(shù)據(jù)，只需O(logn)時間復雜度。
單鏈表中，一旦定位好要插入的位置，插入的時間復雜度是O(1)。但這里為了保證原始鏈表中數(shù)據(jù)的有序性，要先找到插入位置，所以這個過程中的查找操作比較耗時。

單純的單鏈表，需遍歷每個結點以找到插入的位置。但跳表搜索某結點的的時間復雜度是O(logn)，所以搜索某數(shù)據(jù)應插入的位置的時間復雜度也是O(logn)。

刪除

如果這個結點在索引中也有出現(xiàn)，除了要刪除原始鏈表的結點，還要刪除索引中的。
因為單鏈表刪除操作需拿到要刪除結點的前驅結點，然后通過指針完成刪除。所以查找要刪除結點時，一定要獲取前驅結點。若是雙向鏈表，就沒這個問題了。

跳表索引動態(tài)更新

當不停往跳表插入數(shù)據(jù)時，若不更新索引，就可能出現(xiàn)某2個索引結點之間數(shù)據(jù)非常多。極端情況下，跳表還會退化成單鏈表。

作為一種動態(tài)數(shù)據(jù)結構，我們需要某種手段來維護索引與原始鏈表大小之間的平衡，也就是說，如果鏈表中結點多了，索引結點就相應地增加一些，避免復雜度退化，以及查找、插入、刪除操作性能下降。

像紅黑樹、AVL樹這樣的平衡二叉樹通過左右旋保持左右子樹的大小平衡，而跳表是通過隨機函數(shù)維護前面提到的“平衡性”。

往跳表插入數(shù)據(jù)時，可以選擇同時將這個數(shù)據(jù)插入到部分索引層中。

那如何選擇加入哪些索引層呢？

通過一個隨機函數(shù)決定將這個結點插入到哪幾級索引中，比如隨機函數(shù)生成了值K，那就把這個結點添加到第一級到第K級這K級索引中。

為何Redis要用跳表來實現(xiàn)有序集合，而不是紅黑樹？

Redis中的有序集合支持的核心操作主要支持：

• 插入一個數(shù)據(jù)
• 刪除一個數(shù)據(jù)
• 查找一個數(shù)據(jù)
• 迭代輸出有序序列：以上操作，紅黑樹也能完成，時間復雜度跟跳表一樣。
• 按照區(qū)間查找數(shù)據(jù)：紅黑樹的效率低于跳表。跳表可以做到O(logn)定位區(qū)間的起點，然后在原始鏈表順序往后遍歷即可。

除了性能，還有其它原因：

• 代碼實現(xiàn)比紅黑樹好懂、好寫多了，因為簡單就代表可讀性好，不易出錯
• 跳表更靈活，可通過改變索引構建策略，有效平衡執(zhí)行效率和內存消耗

因為紅黑樹比跳表誕生更早，很多編程語言中的Map類型（比如JDK 的 HashMap）都是通過紅黑樹實現(xiàn)的。業(yè)務開發(fā)時，直接從JDK拿來用，但跳表沒有一個現(xiàn)成的實現(xiàn)，只能自己實現(xiàn)。

跳表的代碼實現(xiàn)（Java 版）

數(shù)據(jù)結構定義

表中的元素使用結點來表示，結點的層數(shù)在它被插入時隨機計算決定（與表中已有結點數(shù)目無關）。

一個i層的結點有i個前向指針（java中使用結點對象數(shù)組forward來表示），索引為從1到i。用MaxLevel來記錄跳表的最大層數(shù)。

跳表的層數(shù)為當前所有結點中的最大層數(shù)（如果list為空，則層數(shù)為1）。

列表頭header擁有從1到MaxLevel的前向指針：

public class SkipList<T> {

    // 最高層數(shù)
    private final int MAX_LEVEL;
    // 當前層數(shù)
    private int listLevel;
    // 表頭
    private SkipListNode<T> listHead;
    // 表尾
    private SkipListNode<T> NIL;
    // 生成randomLevel用到的概率值
    private final double P;
    // 論文里給出的最佳概率值
    private static final double OPTIMAL_P = 0.25;
    
    public SkipList() {
        // 0.25, 15
        this(OPTIMAL_P, (int)Math.ceil(Math.log(Integer.MAX_VALUE) / Math.log(1 / OPTIMAL_P)) - 1);
    }

    public SkipList(double probability, int maxLevel) {
        P = probability;
        MAX_LEVEL = maxLevel;

        listLevel = 1;
        listHead = new SkipListNode<T>(Integer.MIN_VALUE, null, maxLevel);
        NIL = new SkipListNode<T>(Integer.MAX_VALUE, null, maxLevel);
        for (int i = listHead.forward.length - 1; i >= 0; i--) {
            listHead.forward[i] = NIL;
        }
    }

    // 內部類
    class SkipListNode<T> {
        int key;
        T value;
        SkipListNode[] forward;
        
        public SkipListNode(int key, T value, int level) {
            this.key = key;
            this.value = value;
            this.forward = new SkipListNode[level];
        }
    }
}

搜索算法

按key搜索，找到返回該key對應的value，未找到則返回null。

通過遍歷forward數(shù)組來需找特定的searchKey。假設skip list的key按照從小到大的順序排列，那么從跳表的當前最高層listLevel開始尋找searchKey。在某一層找到一個非小于searchKey的結點后，跳到下一層繼續(xù)找，直到最底層為止。那么根據(jù)最后搜索停止位置的下一個結點，就可以判斷searchKey在不在跳表中。

在跳表中找8的過程：

插入和刪除算法

都是通過查找與連接（search and splice）：

維護一個update數(shù)組，在搜索結束之后，update[i]保存的是待插入/刪除結點在第i層的左側結點。

插入

若key不存在，則插入該key與對應的value；若key存在，則更新value。

如果待插入的結點的層數(shù)高于跳表的當前層數(shù)listLevel，則更新listLevel。

選擇待插入結點的層數(shù)randomLevel：

randomLevel只依賴于跳表的最高層數(shù)和概率值p。

另一種實現(xiàn)方法為，如果生成的randomLevel大于當前跳表的層數(shù)listLevel，那么將randomLevel設置為listLevel+1，這樣方便以后的查找，在工程上是可以接受的，但同時也破壞了算法的隨機性。

刪除

刪除特定的key與對應的value。如果待刪除的結點為跳表中層數(shù)最高的結點，那么刪除之后，要更新listLevel。

public class SkipList<T> {

    // 最高層數(shù)
    private final int MAX_LEVEL;
    // 當前層數(shù)
    private int listLevel;
    // 表頭
    private SkipListNode<T> listHead;
    // 表尾
    private SkipListNode<T> NIL;
    // 生成randomLevel用到的概率值
    private final double P;
    // 論文里給出的最佳概率值
    private static final double OPTIMAL_P = 0.25;

    public SkipList() {
        // 0.25, 15
        this(OPTIMAL_P, (int)Math.ceil(Math.log(Integer.MAX_VALUE) / Math.log(1 / OPTIMAL_P)) - 1);
    }

    public SkipList(double probability, int maxLevel) {
        P = probability;
        MAX_LEVEL = maxLevel;

        listLevel = 1;
        listHead = new SkipListNode<T>(Integer.MIN_VALUE, null, maxLevel);
        NIL = new SkipListNode<T>(Integer.MAX_VALUE, null, maxLevel);
        for (int i = listHead.forward.length - 1; i >= 0; i--) {
            listHead.forward[i] = NIL;
        }
    }

    // 內部類
    class SkipListNode<T> {
        int key;
        T value;
        SkipListNode[] forward;
        
        public SkipListNode(int key, T value, int level) {
            this.key = key;
            this.value = value;
            this.forward = new SkipListNode[level];
        }
    }

    public T search(int searchKey) {
        SkipListNode<T> curNode = listHead;

        for (int i = listLevel; i > 0; i--) {
            while (curNode.forward[i].key < searchKey) {
                curNode = curNode.forward[i];
            }
        }

        if (curNode.key == searchKey) {
            return curNode.value;
        } else {
            return null;
        }
    }

    public void insert(int searchKey, T newValue) {
        SkipListNode<T>[] update = new SkipListNode[MAX_LEVEL];
        SkipListNode<T> curNode = listHead;

        for (int i = listLevel - 1; i >= 0; i--) {
            while (curNode.forward[i].key < searchKey) {
                curNode = curNode.forward[i];
            }
            // curNode.key < searchKey <= curNode.forward[i].key
            update[i] = curNode;
        }

        curNode = curNode.forward[0];

        if (curNode.key == searchKey) {
            curNode.value = newValue;
        } else {
            int lvl = randomLevel();

            if (listLevel < lvl) {
                for (int i = listLevel; i < lvl; i++) {
                    update[i] = listHead;
                }
                listLevel = lvl;
            }

            SkipListNode<T> newNode = new SkipListNode<T>(searchKey, newValue, lvl);

            for (int i = 0; i < lvl; i++) {
                newNode.forward[i] = update[i].forward[i];
                update[i].forward[i] = newNode;
            }
        }
    }

    public void delete(int searchKey) {
        SkipListNode<T>[] update = new SkipListNode[MAX_LEVEL];
        SkipListNode<T> curNode = listHead;

        for (int i = listLevel - 1; i >= 0; i--) {
            while (curNode.forward[i].key < searchKey) {
                curNode = curNode.forward[i];
            }
            // curNode.key < searchKey <= curNode.forward[i].key
            update[i] = curNode;
        }

        curNode = curNode.forward[0];

        if (curNode.key == searchKey) {
            for (int i = 0; i < listLevel; i++) {
                if (update[i].forward[i] != curNode) {
                    break;
                }
                update[i].forward[i] = curNode.forward[i];
            }

            while (listLevel > 0 && listHead.forward[listLevel - 1] == NIL) {
                listLevel--;
            }
        }
    }

    private int randomLevel() {
        int lvl = 1;
        while (lvl < MAX_LEVEL && Math.random() < P) {
            lvl++;
        }
        return lvl;
    }

    public void print() {
    for (int i = listLevel - 1; i >= 0; i--) {
            SkipListNode<T> curNode = listHead.forward[i];
            while (curNode != NIL) {
                System.out.print(curNode.key + "->");
                curNode = curNode.forward[i];
            }
            System.out.println("NIL");
        }
    }

    public static void main(String[] args) {
        SkipList<Integer> sl = new SkipList<Integer>();
        sl.insert(20, 20);
        sl.insert(5, 5);
        sl.insert(10, 10);
        sl.insert(1, 1);
        sl.insert(100, 100);
        sl.insert(80, 80);
        sl.insert(60, 60);
        sl.insert(30, 30);
        sl.print();
        System.out.println("---");
        sl.delete(20);
        sl.delete(100);
        sl.print();
    }
}

到此這篇關于為何Redis使用跳表而非紅黑樹實現(xiàn)SortedSet的文章就介紹到這了,更多相關Redis跳表實現(xiàn)SortedSet內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論