fix gl

ch5-web/ch5-09-gated-launch.md

@@ -169,9 +169,9 @@ func isPassed(rate int) bool {
 
 ### 5.9.3.2 哈希算法
 
-求哈希可用的算法非常多，比如md5，crc32，sha1等等，但我们这里的目的只是为了给这些数据做个映射，并不想要因为计算哈希消耗过多的cpu，所以现在业界使用较多的算法是murmurhash，下面是我们对这些常见的hash算法的简单benchmark：
+求哈希可用的算法非常多，比如md5，crc32，sha1等等，但我们这里的目的只是为了给这些数据做个映射，并不想要因为计算哈希消耗过多的cpu，所以现在业界使用较多的算法是murmurhash，下面是我们对这些常见的hash算法的简单benchmark。
 
-hash.go:
+下面使用了标准库的md5，sha1和开源的murmur3实现来进行对比。
 
 ```go
 package main
@@ -202,7 +202,7 @@ func murmur64() uint64 {
 }
 ```
 
-hash_test.go
+为这些算法写一个基准测试：
 
 ```go
 package main
@@ -235,6 +235,8 @@ func BenchmarkMurmurHash64(b *testing.B) {
 
 ```
 
+然后看看运行效果：
+
 ```shell
 ~/t/g/hash_bench git:master ❯❯❯ go test -bench=.
 goos: darwin
@@ -247,13 +249,13 @@ PASS
 ok _/Users/caochunhui/test/go/hash_bench 7.050s
 ```
 
-可见murmurhash相比其它的算法有三倍以上的性能提升。
+可见murmurhash相比其它的算法有三倍以上的性能提升。显然做负载均衡的话，用murmurhash要比md5和sha1都要好，实际上这些年社区里还有另外一些更高效的哈希算法出现，感兴趣的读者可以自行调研。
 
 ### 5.9.3.3 分布是否均匀
 
-对于哈希算法来说，性能是一方面的问题，另一方面还要考虑哈希后的值是否分布均匀。
+对于哈希算法来说，除了性能方面的问题，还要考虑哈希后的值是否分布均匀。如果哈希后的值分布不均匀，那也自然就起不到负载“均衡”的效果了。
 
-我们先以15810000000开头，造一千万个和手机号类似的数字，然后将计算后的哈希值分十个桶，并观察计数是否均匀：
+以murmur3为例，我们先以15810000000开头，造一千万个和手机号类似的数字，然后将计算后的哈希值分十个桶，并观察计数是否均匀：
 
 ```go
 package main
@@ -280,9 +282,11 @@ func murmur64(p string) uint64 {
 }
 ```
 
+看看执行结果：
+
 ```shell
 map[7:999475 5:1000359 1:999945 6:1000200 3:1000193 9:1000765 2:1000044 \
 4:1000343 8:1000823 0:997853]
 ```
 
-偏差都在1/100以内，可以接受。
+偏差都在1/100以内，可以接受。读者在调研其它算法，并判断是否可以用来做负载均衡时，也应该从本节中提到的性能和均衡度两方面出发，对其进行考察。