二、如何给文件设定独一无二的编号

你去上学，班主任会给你分配一个学号；毕业后上班，HR会给你一个工号；你回家，抬头看得到门牌；你去蒸桑拿，前台会给你一块写着号码的手牌。

从管理者的角度看，为了把一摊事管得有秩序，就得排序。这样，协作系统能定位目标，更好地服务。否则，课程没法排，工资没法算，快递员找不到你家，甚至你在洗完澡结账时都会纠结半天，因为前台搞不清你到底吃了多少果盘。

编号，要注意两个问题：

1）能定位。

2）无重号。

小规模编号如学号，从1、2、3……开始，就能解决问题；中等规模的编号如大企业工号，数字前面得加个字母：A120908；大规模编号如身份证系统，不管是谁，统一18位数字标签贴在你的身份证上。

如果是给互联网里的所有文件编号，标签应该如何贴呢？那可是浩如烟海呀，而且遇到重号问题如何解决？是否专门安排人管这摊事？

有没有效率更高的编号方法呢？有，答案是哈希算法。

1.什么是哈希算法

维基百科是这样定义哈希算法的：哈希算法是将文件映射为较短的固定长度字符串（哈希值）。

任何计算机文件都由电子信号组成。简单地说，0和1组成了全部的信息世界，即比特世界。

例如，我们眼中的香肠图片如图1-5所示，在比特世界里是这样的：01010111001111010101100101110101……

我没写完整，上万位吧，总之就是0和1两个数字排成了一条长龙，这才是这张图片在比特世界里的本来面目，我们把这串长龙称为“二进制文件”。

我们把这条长龙切碎，搅拌之后就得到哈希值：

4f7f56ecc0b725893b59f6428258304a94e40f48

哈希值是哈希算法的最终结果，是文件在互联网里的编号。

你完全不用理解哈希算法如何把二进制文件变成哈希值，那是科学家的事，你只要把哈希函数看作一台屠宰加工机器，就能理解：这台机器能把猪做成等长的香肠，而哈希值就是这根香肠上的纹理。

除了所有哈希值都一样长之外，这些纹理有一些其他特性，能轻巧地用在比特世界的方方面面。

2.哈希值的特性

如果两个文件有完全相同的哈希值，那就可以判定它们是同一个文件。这也是哈希值最基本的特性： 相同文件的哈希值相同 ，即复制后的文件与原文件的哈希值相同。

这很容易理解，因为既然是两只一模一样的猪，那将它们用相同方法做出来的香肠应该一样。但如果两只猪其他部位完全相同，只有它们尾巴尖上的一根毛不同，那香肠最终的纹理会完全不同。

源文件稍有改动，哈希值就面目全非。

这一特性使得用哈希值标注的文件无法被篡改，因为哪怕只篡改图1-5上一个像素，马上就能被认出——哈希值会完全不同。

另外，哈希值还有如下特性：

第一，不可逆推。在具备编码功能的同时，哈希算法也作为一种加密算法存在。即你无法通过分析哈希值计算出源文件的样子，换句话说，你不可能通过观察香肠的纹理推测出猪的样子。

第二，计算极快。哈希一部20G的高清电影和一个5K的文本文件复杂度相同，计算量都极小，可以在0.1秒内得出结果。也就是说，不管猪有多肥，骨头多硬，做成香肠都只需要眨眨眼的时间。

能用极快的速度给你的文件编出不重复的号码，而且任何人都无法通过这个号码推算出文件原来的样子，这就是哈希算法的意义。

把文件切碎和搅拌的过程就是哈希算法，而切碎和搅拌的动作，就是加密和压缩，由于不同的烧菜师傅会有不同的刀法，于是就有了很多哈希算法如：CRC-32、MD5和SHA256……名字虽然唬人，可它们之间只是张师傅和李师傅的区别，但不同师傅之间的刀功却有高下，那差距究竟在哪儿呢？

3.什么是好的哈希算法

正如前文维基百科的定义，哈希算法只是将文件 映射 为哈希值，“映射”的意思是投影。既然是投影，那可能会出现不同的人有一模一样的影子。因此最终在数学意义上，哈希会发生重号，只是重号概率小到无限接近于零。

这种无限接近于零的概率类似于：明天一早你突然当选美国总统，你从小到大每天都中六合彩，或者下一秒49个外星人在你面前排成7×7方阵的概率。但万一碰到了呢？我们把这种情况称为碰撞。

越好的哈希算法，发生碰撞的概率越小。

可如果只为实现“少发生碰撞”这一个目标，是很容易的，只要把哈希值弄得长长的就可以了。但哈希值最终不是纯数字编号，而是数字与字母的组合，目的也只有一个： 缩短哈希值长度，便于实际应用。 毕竟，没有人会愿意带一根1米长的香肠出差。

如果你要自建一个小型图片网站，使用CRC-32短哈希算法给图片贴标签就足够了，它能为你提供42亿种不同的标签，而且文件名长度（哈希值）永远只有8位。

如果你要检索论文库，MD5算法足够你用：哈希值稍长，但几乎不会有重复，能让你做出足够精准的索引。

而商业级加密，你可以用SHA256：哈希值稍长，但倒推难度极大：人类当前所有计算能力总和的千万倍还不一定能算出来。

因此，无论是CRC-32、MD5、SHA256，还是其他的，并没有绝对最好的哈希算法。只有在不同场景下，衡量成本收益之后，才存在相对最优。

4.结语

二十年前，如果你去图书馆找一本名叫《美国种族简史》的书，得先思考它属于宗教类还是历史类的图书，然后再去不同的区域翻书架。而现在，你只需轻轻一点，计算机屏幕上的文字就会告诉你有没有这本书，如果有，它在哪里。

图书馆用的是小规模搜索技术贴标签：以前是手工分类，现在是用数据库。

而互联网级别的大规模的搜索就得靠哈希算法生产索引标签了。例如，Google等搜索引擎、迅雷等下载软件、比特币等加密货币，都能通过哈希值准确定位目标。

即使哈希算法乍看起来毫不起眼，无非是做出了一串奇怪的字符，但它却是比特世界里的砖，能盖出高楼大厦，能让比特世界更有序。即使离你再远的信息，在哈希算法的帮助下，都会变得触手可及。

附录 从今天起，你可以自己哈希——哈希工具（见图1-6）

1.哈希文件：https://www.sojson.com/image2base64.html读者可以尝试上传任意图片，该网站会返回图片的哈希值。

2.哈希字符：http://www.kjson.com/encrypt/hash/?fm=map （如图1-7所示）。

字符“Hello”用SHA256哈希算法得出的哈希值为：185f8db32271fe25f561a6fc938b2e264306ec304eda518007d1764826381969。 Fizq9cfNeuJbaW9uyUGEIs8IDqKytfE3qh6NIU7c3PkzXnDsxz/RrCUL9fbsIk2D