wikipedia上的解释
http://zh.wikipedia.org/wiki/%E5%93%88%E5%B8%8C%E8%A1%A8
下图示意了哈希表（Hash Table）这种数据结构。
如上图所示，首先分配一个指针数组，数组的每个元素是一个链表的头指针，每个链表称为一个槽（Slot） 。哪个数据应该放入哪个槽中由哈希函数决定，在这个例子中我们简单地选取哈希函数h(x) = x % 11，这样任意数据x都可以映射成0~10之间的一个数，就是槽的编号，将数据放入某个槽的操作就是链表的插入操作。
如果每个槽里至多只有一个数据，可以想像这种情况下
search
、
insert
和
delete
操作的时间复杂度都是O(1)，但有时会有多个数据被哈希函数映射到同一个槽中，这称为碰撞（Collision）
，设计一个好的哈希函数可以把数据比较均匀地分布到各个槽中，尽量避免碰撞。如果能把n个数据比较均匀地分布到m个槽中，每个糟里约有n/m个数据，则
search
、
insert
和
delete
和操作的时间复杂度都是O(n/m)，如果n和m的比是常数，则时间复杂度仍然是O(1)。一般来说，要处理的数据越多，构造哈希表时分配的槽也应该越多，所以n和m成正比这个假设是成立的。
请读者自己编写程序构造这样一个哈希表，并实现
search
、
insert
和
delete
操作。
如果用我们学过的各种数据结构来表示n个数据的集合，下表是
search
、
insert
和
delete
操作在平均情况下的时间复杂度比较。
各种数据结构的search、insert和delete操作在平均情况下的时间复杂度比较
| 数组 | O(n)，有序数组折半查找是O(lgn) | O(n) | O(n) |
| 双向链表 | O(n) | O(1) | O(1) |
| 排序二叉树 | O(lgn) | O(lgn) | O(lgn) |
| 哈希表（n与槽数m成正比） | O(1) | O(1) | O(1) |
根据以上算法，抽象数据结构如下：
/*哈希表*/
struct obj_container {
obj_hash_fn *hash_fn;//哈希函数
obj_callback_fn *cmp_fn;
int n_buckets; //分配多少个slot ?
int elements; //哈希表中元素数目
int version;
/*!variable size */
struct bucket buckets[0]; /*! lengthen tailq, each bucket is a linkedlist */
};
// 每个slot 为一个链表
struct bucket_entry {
SPD_LIST_ENTRY(bucket_entry)entry;
int version;
struct obj *pobj; /* pointer to internal data */
}bucket;
接下来实现 search, link , unlink函数。
