深入java集合-HashMap

墨蓝 2023-05-22 22:24 3阅读 0赞

> 本文为读书笔记,书籍为java并发编程的艺术  
> hashmap资料来自b站黑马

### 文章目录 ###

*  1.HashMap
 *   *  1.1 HashMap成员变量
     *   *   *  问题： 为什么必须是2的n次幂？如果输入值不是2的幂比如10会怎么样？
             *  为什么这样能均匀分布减少碰撞呢？2的n次方实际就是1后面n个0，2的n次方-1 实际就是n个1；
             *   *  tableSizeFor
             *  问题：为什么Map桶中节点个数超过8才转为红黑树？
             *  loadFactor说明：
     *  1.2 HashMap存储数据的过程(详解)
     *   *  1.2.1 new
         *  1.2.2 put
         *   *   *   *  hash扰动算法
         *  1.2.3 treeifyBin
         *  1.2.4 resize
         *   *   *  扩容机制
                 *  源码解读
         *  1.2.5 remove
         *  1.2.6 get
         *  1.2.7 遍历
     *  1.3HashMap的初始化
     *  面试题
     *  1.4 HashMap的线程安全问题
     *  1.5 jdk1.7 与jdk1.8的区别
 *  2. ConcurrentHashMap

# 1.HashMap #

> JDK1.8 之前 HashMap 由 数组+链表组成，数组是 HashMap 的主体，链表则是主要为了解决哈希冲突(两个对象调用的hashCode方法计算的哈希码值一致导致计算的数组索引值相同)而存在的（“拉链法”解决冲突）.JDK1.8 以后在解决哈希冲突时有了较大的变化，当链表长度大于阈值（或者红黑树的边界值，默认为 8）并且当前数组的长度大于64时，此时此索引位置上的所有数据改为使用红黑树存储。

**为什么将链表转换成红黑树前会判断，阈值大于8且数组长度大于64时才进行扩容呢?**  
这样做的目的是因为数组比较小，尽量避开红黑树结构，这种情况下变为红黑树结构，反而会降低效率，因为红黑树需要进行左旋，右旋，变色这些操作来保持平衡 。同时数组长度小于64时，搜索时间相对要快些。所以综上所述为了提高性能和减少搜索时间，底层在阈值大于8并且数组长度大于64时，链表才转换为红黑树。具体可以参考 treeifyBin方法。

当然虽然增了红黑树作为底层数据结构，结构变得复杂了，但是阈值大于8并且数组长度大于64时，链表转换为红黑树时，效率也变的更高效。

## 1.1 HashMap成员变量 ##

1.序列化版本号

private static final long serialVersionUID = 362498820763181265L;

2.集合的初始化容量( 必须是二的n次幂 )

//默认的初始容量是16 -- 1<<4相当于1*2的4次方---1*16
    static final int DEFAULT_INITIAL_CAPACITY = 1 << 4;

#### 问题： 为什么必须是2的n次幂？如果输入值不是2的幂比如10会怎么样？ ####

HashMap构造方法还可以指定集合的初始化容量大小：

HashMap(int initialCapacity) 
    构造一个带指定初始容量和默认加载因子 (0.75) 的空 HashMap。

根据上述讲解我们已经知道，当向HashMap中添加一个元素的时候，需要根据key的hash值，去确定其在数组中的具体位置。 HashMap为了存取高效，要尽量较少碰撞，就是要尽量把数据分配均匀，每个链表长度大致相同，这个实现就在把数据存到哪个链表中的算法。

这个算法实际就是取模，hash%length，计算机中直接求余效率不如位移运算(这点上述已经讲解)。所以源码中做了优化,使用 hash&(length-1)，而实际上hash%length等于hash&(length-1)的前提是length是2的n次幂。

#### 为什么这样能均匀分布减少碰撞呢？2的n次方实际就是1后面n个0，2的n次方-1 实际就是n个1； ####

举例：

说明：按位与运算：相同的二进制数位上，都是1的时候，结果为1，否则为零。

例如长度为8时候，3&(8-1)=3  2&(8-1)=2 ，不同位置上，不碰撞；
    例如长度length为8时候，8是2的3次幂。二进制是：1000
    length-1 二进制运算：
    	1000
    -	   1
    ---------------------
         111
    如下所示：
    hash&(length-1)
    3   &(8    - 1)=3  
    	00000011  3 hash
    &   00000111  7 length-1
    ---------------------
    	00000011-----》3 数组下标
    	
    hash&(length-1)
    2 &  (8 -    1) = 2  
    	00000010  2 hash
    &   00000111  7 length-1
    ---------------------
    	00000010-----》2  数组下标
    说明：上述计算结果是不同位置上，不碰撞；
    
    
    
    例如长度为9时候，3&(9-1)=0  2&(9-1)=0 ，都在0上，碰撞了；
    例如长度length为9时候，9不是2的n次幂。二进制是：00001001
    length-1 二进制运算：
    	1001
    -	   1
    ---------------------
        1000
    如下所示：
    hash&(length-1)
    3   &(9    - 1)=0  
    	00000011  3 hash
    &   00001000  8 length-1 
    ---------------------
    	00000000-----》0  数组下标
    	
    hash&(length-1)
    2 &  (9 -    1) = 2  
    	00000010 2 hash
    &   00001000 8 length-1 
    ---------------------
    	00000000-----》0  数组下标
    说明：上述计算结果都在0上，碰撞了；

注意： 当然如果不考虑效率直接求余即可（就不需要要求长度必须是2的n次方了）

小结：

1.由上面可以看出，当我们根据key的hash确定其在数组的位置时，如果n为2的幂
    次方，可以保证数据的均匀插入，如果n不是2的幂次方，可能数组的一些位置永
    远不会插入数据，浪费数组的空间，加大hash冲突。
    
    2.另一方面，一般我们可能会想通过 % 求余来确定位置，这样也可以，只不过性
    能不如 & 运算。而且当n是2的幂次方时：hash & (length - 1) == hash % length
    
    3.因此，HashMap 容量为2次幂的原因，就是为了数据的的均匀分布，减少hash
    冲突，毕竟hash冲突越大，代表数组中一个链的长度越大，这样的话会降低
    hashmap的性能
    
    4.如果创建HashMap对象时，输入的数组长度是10，不是2的幂，HashMap通过
    一通位移运算和或运算得到的肯定是2的幂次数，并且是离那个数最近的数字。

##### tableSizeFor #####

static final int tableSizeFor(int cap) { //int cap = 10
            int n = cap - 1;
            n |= n >>> 1;
            n |= n >>> 2;
            n |= n >>> 4;
            n |= n >>> 8;
            n |= n >>> 16;
            return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
        }

说明：

由此可以看到，当在实例化HashMap实例时，如果给定了initialCapacity(假设是10)，由于HashMap的capacity必须都是2的幂，因此这个方法用于找到大于等于initialCapacity(假设是10)的最小的2的幂（initialCapacity如果就是2的幂，则返回的还是这个数）。  
下面分析这个算法：  
1)、首先，为什么要对cap做减1操作。int n = cap - 1;  
这是为了防止，cap已经是2的幂。如果cap已经是2的幂， 又没有执行这个减1操作，则执行完后面的几条无符号右移操作之后，返回的capacity将是这个cap的2倍。如果不懂，要看完后面的几个无符号右移之后再回来看看。  
下面看看这几个无符号右移操作：  
2）、如果n这时为0了（经过了cap-1之后），则经过后面的几次无符号右移依然是0，最后返回的capacity是 1（最后有个n+1的操作）。  
这里只讨论n不等于0的情况。

3）、注意：|（按位或运算）：运算规则：相同的二进制数位上，都是0的时候，结果为0，否则为1。

第一次右移 ：
    
    int n = cap - 1;//cap=10  n=9
    n |= n >>> 1;
    	00000000 00000000 00000000 00001001 //9
    |	
    	00000000 00000000 00000000 00000100 //9右移之后变为4
    -------------------------------------------------
    	00000000 00000000 00000000 00001101 //按位异或之后是13

由于n不等于0，则n的二进制表示中总会有一bit为1，这时考虑最高位的1。通过无符号右移1位，则将最高位的1右移了1位，再做或操作，使得n的二进制表示中与最高位的1紧邻的右边一位也为1，如：

00000000 00000000 00000000 00001101

第二次右移 ：

n |= n >>> 2;//n通过第一次右移变为了：n=13
    	00000000 00000000 00000000 00001101  // 13
    |
        00000000 00000000 00000000 00000011  //13右移之后变为3
    -------------------------------------------------
    	00000000 00000000 00000000 00001111 //按位异或之后是15

注意，这个n已经经过了n |= n >>> 1; 操作。假设此时n为00000000 00000000 00000000 00001101 ，则n无符号右移两位，会将最高位两个连续的1右移两位，然后再与原来的n做或操作，这样n的二进制表示的高位中会有4个连续的1。如：

00000000 00000000 00000000 00001111 //按位异或之后是15

第三次右移 :

n |= n >>> 4;//n通过第一、二次右移变为了：n=15
    	00000000 00000000 00000000 00001111  // 15
    |
        00000000 00000000 00000000 00000000  //15右移之后变为0
    -------------------------------------------------
    	00000000 00000000 00000000 00001111 //按位异或之后是15

这次把已经有的高位中的连续的4个1，右移4位，再做或操作，这样n的二进制表示的高位中正常会有8个连续的1。如00001111 1111xxxxxx 。  
以此类推  
注意，容量最大也就是32bit的正数，因此最后n |= n >>> 16; ，最多也就32个1（但是这已经是负数了。在执行tableSizeFor之前，对initialCapacity做了判断，如果大于MAXIMUM\_CAPACITY(2 ^ 30)，则取MAXIMUM\_CAPACITY。如果等于MAXIMUM\_CAPACITY(2 ^ 30)，会执行移位操作。所以这里面的移位操作之后，最大30个1，不会大于等于MAXIMUM\_CAPACITY。30个1，加1之后得2 ^ 30） 。  
请看下面的一个完整例子：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70]  
注意，得到的这个capacity却被赋值给了threshold。

this.threshold = tableSizeFor(initialCapacity);//initialCapacity=10

3.默认的负载因子，默认值是0.75

static final float DEFAULT_LOAD_FACTOR = 0.75f;

4.集合最大容量

//集合最大容量的上限是：2的30次幂
    static final int MAXIMUM_CAPACITY = 1 << 30;

5.当链表的值超过8则会转红黑树(1.8新增)

//当桶(bucket)上的结点数大于这个值时会转成红黑树
     static final int TREEIFY_THRESHOLD = 8;

#### 问题：为什么Map桶中节点个数超过8才转为红黑树？ ####

8这个阈值定义在HashMap中，针对这个成员变量，在源码的注释中只说明了8是bin（bin就是bucket(桶)）从链表转成树的阈值，但是并没有说明为什么是8：

因为树节点的大小大约是普通节点的两倍，所以我们只在箱子包含足够的节点时才
    使用树节点(参见TREEIFY_THRESHOLD)。当它们变得太小(由于删除或调整大小)
    时，就会被转换回普通的桶。在使用分布良好的用户hashcode时，很少使用树箱。
    理想情况下，在随机哈希码下，箱子中节点的频率服从泊松分布
    (http://en.wikipedia.org/wiki/Poisson_distribution)，默认调整阈值
    为0.75，平均参数约为0.5，尽管由于调整粒度的差异很大。忽略方差，列表大小
    k的预期出现次数是(exp(-0.5)*pow(0.5, k)/factorial(k))。
    第一个值是:
    
    0:    0.60653066
    1:    0.30326533
    2:    0.07581633
    3:    0.01263606
    4:    0.00157952
    5:    0.00015795
    6:    0.00001316
    7:    0.00000094
    8:    0.00000006
    more: less than 1 in ten million

TreeNodes占用空间是普通Nodes的两倍，所以只有当bin包含足够多的节点时才会转成TreeNodes，而是否足够多就是由TREEIFY\_THRESHOLD的值决定的。当bin中节点数变少时，又会转成普通的bin。并且我们查看源码的时候发现，链表长度达到8就转成红黑树，当长度降到6就转成普通bin。

这样就解释了为什么不是一开始就将其转换为TreeNodes，而是需要一定节点数才转为TreeNodes，说白了就是权衡，空间和时间的权衡。

这段内容还说到：当hashCode离散性很好的时候，树型bin用到的概率非常小，因为数据均匀分布在每个bin中，几乎不会有bin中链表长度会达到阈值。但是在随机hashCode下，离散性可能会变差，然而JDK又不能阻止用户实现这种不好的hash算法，因此就可能导致不均匀的数据分布。不过理想情况下随机hashCode算法下所有bin中节点的分布频率会遵循泊松分布，我们可以看到，一个bin中链表长度达到8个元素的概率为0.00000006，几乎是不可能事件。所以，之所以选择8，不是随便决定的，而是根据概率统计决定的。由此可见，发展将近30年的Java每一项改动和优化都是非常严谨和科学的。

也就是说：选择8因为符合泊松分布，超过8的时候，概率已经非常小了，所以我们选择8这个数字。

**红黑树的平均查找长度是log(n)，如果长度为8，平均查找长度为log(8)=3，链表的平均查找长度为n/2，当长度为8时，平均查找长度为8/2=4，这才有转换成树的必要；链表长度如果是小于等于6，6/2=3，而log(6)=2.6，虽然速度也很快的，但是转化为树结构和生成树的时间并不会太短。**  
6.当链表的值小于6则会从红黑树转回链表

//当桶(bucket)上的结点数小于这个值时树转链表
     static final int UNTREEIFY_THRESHOLD = 6;

7.当Map里面的数量超过这个值时，表中的桶才能进行树形化 ，否则桶内元素太多时会扩容，而不是树形化 为了避免进行扩容、树形化选择的冲突，这个值不能小于 4 \* TREEIFY\_THRESHOLD (8)

//桶中结构转化为红黑树对应的数组长度最小的值 
    static final int MIN_TREEIFY_CAPACITY = 64;

8、table用来初始化(必须是二的n次幂)(重点)

//存储元素的数组 
    transient Node<K,V>[] table;

table在JDK1.8中我们了解到HashMap是由数组加链表加红黑树来组成的结构其中table就是HashMap中的数组，jdk8之前数组类型是Entry<K,V>类型。从jdk1.8之后是Node<K,V>类型。只是换了个名字，都实现了一样的接口：Map.Entry<K,V>。负责存储键值对数据的。

9、用来存放缓存

//存放具体元素的集合
    transient Set<Map.Entry<K,V>> entrySet;

10、 HashMap中存放元素的个数(重点)

//存放元素的个数，注意这个不等于数组的长度。
     transient int size;

size为HashMap中K-V的实时数量，不是数组table的长度。

11、 用来记录HashMap的修改次数

// 每次扩容和更改map结构的计数器
     transient int modCount;

12、 用来调整大小下一个容量的值计算方式为(容量\*负载因子)

// 临界值 当实际大小(容量*负载因子)超过临界值时，会进行扩容
    int threshold;

13、 哈希表的加载因子(重点)

// 加载因子
    final float loadFactor;

#### loadFactor说明： ####

1.loadFactor加载因子，是用来衡量 HashMap 满的程度，表示HashMap的疏密程度，影响hash操作到同一个数组位置的概率，计算HashMap的实时加载因子的方法为：size/capacity，而不是占用桶的数量去除以capacity。capacity 是桶的数量，也就是 table 的长度length。

loadFactor太大导致查找元素效率低，太小导致数组的利用率低，存放的数据会很分散。loadFactor的默认值为0.75f是官方给出的一个比较好的临界值。

当HashMap里面容纳的元素已经达到HashMap数组长度的75%时，表示HashMap太挤了，需要扩容，而扩容这个过程涉及到 rehash、复制数据等操作，非常消耗性能。，所以开发中尽量减少扩容的次数，可以通过创建HashMap集合对象时指定初始容量来尽量避免。

同时在HashMap的构造器中可以定制loadFactor。

构造方法：
    HashMap(int initialCapacity, float loadFactor) 构造一个带指定初始容量和加载因子的空 HashMap。

2.为什么加载因子设置为0.75,初始化临界值是12？

loadFactor越趋近于1，那么 数组中存放的数据(entry)也就越多，也就越密，也就是会让链表的长度增加，loadFactor越小，也就是趋近于0，数组中存放的数据(entry)也就越少，也就越稀疏。  
如果希望链表尽可能少些。要提前扩容，有的数组空间有可能一直没有存储数据。加载因子尽可能小一些。

例如：加载因子是0.4。 那么16*0.4--->6 如果数组中满6个空间就扩容会造成数组利用率太低了。
    	 加载因子是0.9。 那么16*0.9---->14 那么这样就会导致链表有点多了。导致查找元素效率低。

所以既兼顾数组利用率又考虑链表不要太多，经过大量测试0.75是最佳方案。

threshold计算公式：capacity(数组长度默认16) \* loadFactor(负载因子默认0.75)。这个值是当前已占用数组长度的最大值。当Size>=threshold的时候，那么就要考虑对数组的resize(扩容)，也就是说，这个的意思就是 衡量数组是否需要扩增的一个标准。 扩容后的 HashMap 容量是之前容量的两倍.

## 1.2 HashMap存储数据的过程(详解) ##

### 1.2.1 new ###

HashMap<String, Integer> map = new HashMap<>();

/* 指定“容量大小”和“加载因子”的构造函数 initialCapacity: 指定的容量 loadFactor:指定的加载因子 */
    public HashMap(int initialCapacity, float loadFactor) { 
        	//判断初始化容量initialCapacity是否小于0
            if (initialCapacity < 0)
                //如果小于0，则抛出非法的参数异常IllegalArgumentException
                throw new IllegalArgumentException("Illegal initial capacity: " +
                                                   initialCapacity);
        	//判断初始化容量initialCapacity是否大于集合的最大容量MAXIMUM_CAPACITY-》2的30次幂
            if (initialCapacity > MAXIMUM_CAPACITY)
                //如果超过MAXIMUM_CAPACITY，会将MAXIMUM_CAPACITY赋值给initialCapacity
                initialCapacity = MAXIMUM_CAPACITY;
        	//判断负载因子loadFactor是否小于等于0或者是否是一个非数值
            if (loadFactor <= 0 || Float.isNaN(loadFactor))
                //如果满足上述其中之一，则抛出非法的参数异常IllegalArgumentException
                throw new IllegalArgumentException("Illegal load factor: " +
                                                   loadFactor);
         	//将指定的加载因子赋值给HashMap成员变量的负载因子loadFactor
            this.loadFactor = loadFactor;
        	/* tableSizeFor(initialCapacity) 判断指定的初始化容量是否是2的n次幂， 如果不是那么会变为比指定初始化容量大的最小的2的n次幂。这点上述已经讲解过。 但是注意，在tableSizeFor方法体内部将计算后的数据返回给调用这里了， 并且直接赋值给threshold边界值了。有些人会觉得这里是一个bug,应该这样书写： this.threshold = tableSizeFor(initialCapacity) * this.loadFactor; 这样才符合threshold的意思（当HashMap的size到达threshold这个阈值时会扩容）。 但是，请注意，在jdk8以后的构造方法中，并没有对table这个成员变量进行初始化， table的初始化被推迟到了put方法中，在put方法中会对threshold重新计算 */
            this.threshold = tableSizeFor(initialCapacity);
        }
    		//最后调用了tableSizeFor，来看一下方法实现：
         /** * Returns a power of two size for the given target capacity. 返回比指定初始化容量大的最小的2的n次幂 */
        static final int tableSizeFor(int cap) { 
            int n = cap - 1;
            n |= n >>> 1;
            n |= n >>> 2;
            n |= n >>> 4;
            n |= n >>> 8;
            n |= n >>> 16;
            return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
        }

//构造一个映射关系与指定 Map 相同的新 HashMap。
    public HashMap(Map<? extends K, ? extends V> m) { 
        	//负载因子loadFactor变为默认的负载因子0.75
             this.loadFactor = DEFAULT_LOAD_FACTOR;
             putMapEntries(m, false);
     }

最后调用了putMapEntries，来看一下方法实现：

final void putMapEntries(Map<? extends K, ? extends V> m, boolean evict) { 
        //获取参数集合的长度
        int s = m.size();
        if (s > 0)
        { 
            //判断参数集合的长度是否大于0，说明大于0
            if (table == null)  // 判断table是否已经初始化
            {  // pre-size
                    // 未初始化，s为m的实际元素个数
                    float ft = ((float)s / loadFactor) + 1.0F;
                    int t = ((ft < (float)MAXIMUM_CAPACITY) ?
                            (int)ft : MAXIMUM_CAPACITY);
                    // 计算得到的t大于阈值，则初始化阈值
                    if (t > threshold)
                        threshold = tableSizeFor(t);
            }
            // 已初始化，并且m元素个数大于阈值，进行扩容处理
            else if (s > threshold)
                resize();
            // 将m中的所有元素添加至HashMap中
            for (Map.Entry<? extends K, ? extends V> e : m.entrySet()) { 
                K key = e.getKey();
                V value = e.getValue();
                putVal(hash(key), key, value, false, evict);
            }
        }
    }

注意：

float ft = ((float)s / loadFactor) + 1.0F;这一行代码中为什么要加1.0F ？

s/loadFactor的结果是小数，加1.0F与(int)ft相当于是对小数做一个向上取整以尽可能的保证更大容量，更大的容量能够减少resize的调用次数。所以 + 1.0F是为了获取更大的容量。

例如：原来集合的元素个数是6个，那么6/0.75是8，是2的n次幂，那么新的数组大小就是8了。然后原来数组的数据就会存储到长度是8的新的数组中了，这样会导致在存储元素的时候，容量不够，还得继续扩容，那么性能降低了，而如果+1呢，数组长度直接变为16了，这样可以减少数组的扩容。

![在这里插入图片描述][20200418164054283.png]

### 1.2.2 put ###

put方法是比较复杂的，实现步骤大致如下：

1）先通过hash值计算出key映射到哪个桶；

2）如果桶上没有碰撞冲突，则直接插入；

3）如果出现碰撞冲突了，则需要处理冲突：

a:如果该桶使用红黑树处理冲突，则调用红黑树的方法插入数据；
    
    b:否则采用传统的链式方法插入。如果链的长度达到临界值，则把链转变为红黑树；

4）如果桶中存在重复的键，则为该键替换新值value；

5）如果size大于阈值threshold，则进行扩容；

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 1]

public V put(K key, V value) { 
            return putVal(hash(key), key, value, false, true);
        }

###### hash扰动算法 ######

[参考][Link 1]  
HashMap数据存储的过程先根据key获得hash值，通过 (n - 1) & hash 判断当前元素存放的位置（这里的 n 指的是数组的长度），如果当前位置存在元素的话，就判断该元素与要存入的元素的 hash 值以及 key 是否相同，如果相同的话，直接覆盖，不相同就通过拉链法解决冲突。  
其中看到在获得hash值时将key的hashCode异或上其无符号右移16位，Hashmap这么做原因：

**防止一些实现比较差的 hashCode() 方法，使用扰动函数之后可以减少碰撞，进一步降低hash冲突的几率。**

static final int hash(Object key) 
     { 
            int h;
         	/* 1）如果key等于null： 可以看到当key等于null的时候也是有哈希值的，返回的是0. 2）如果key不等于null： 首先计算出key的hashCode赋值给h,然后与h无符号右移16位 后的二进制进行按位异或得到最后的hash值 */
            return (key == null) ? 0 : 
            (h = key.hashCode()) ^ (h >>> 16);
     }

从上面可以得知HashMap是支持Key为空的，而**HashTable是直接用Key来获取HashCode所以key为空会抛异常。**

\{ **其实上面就已经解释了为什么HashMap的长度为什么要是2的幂因为HashMap 使用的方法很巧妙，它通过 hash & (table.length -1)来得到该对象的保存位，前面说过 HashMap 底层数组的长度总是2的n次方，这是HashMap在速度上的优化。当 length 总是2的n次方时，hash & (length-1)运算等价于对 length 取模，也就是hash%length，但是&比%具有更高的效率。比如 n % 32 = n & (32 -1)。**\}

在putVal函数中使用到了上述hash函数计算的哈希值：

final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                       boolean evict) { 
            。。。。。。。。。。。。。。
            if ((p = tab[i = (n - 1) & hash]) == null)
            //这里的n表示数组长度16
           。。。。。。。。。。。。。。
      }

计算过程如下所示：

说明：
    
    	1）key.hashCode()；返回散列值也就是hashcode。假设随便生成的一个值。
    
    	2）n表示数组初始化的长度是16
    
    	3）&（按位与运算）：运算规则：相同的二进制数位上，都是1的时候，结果为1，否则为零。
    
        4）^（按位异或运算）：运算规则：相同的二进制数位上，数字相同，结果为0，不同为1。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 2]  
简单来说就是：

*  高16 bit 不变，低16 bit 和高16 bit 做了一个异或（得到的 hashcode 转化为32位二进制，前16位和后16位低16 bit和高16 bit做了一个异或）  
    问题：为什么要这样操作呢？  
    如果当n即数组长度很小，假设是16的话，那么n-1即为 —》1111 ，这样的值和hashCode()直接做按位与操作，实际上只使用了哈希值的后4位。如果当哈希值的高位变化很大，低位变化很小，这样就很容易造成哈希冲突了，所以这里把高低位都利用起来，从而解决了这个问题。  
    例如上述：  
    hashCode()值： 1111 1111 1111 1111 1111 0000 1110 1010  
    &  
    n-1即16-1–》15： 。。。。。。。。。。。。。。。 1111  
    \-------------------------------------------------------------------  
    0000 0000 0000 0000 0000 0000 0000 1010 ----》10作为索引  
    其实就是将hashCode值作为数组索引，那么如果下个高位hashCode不一致，低位一致的话，就会造成计算的索引还是10,从而造成了哈希冲突了。降低性能。
 *  (n-1) & hash = -> 得到下标 (n-1) n表示数组长度16，n-1就是15
 *  取余数本质是不断做除法，把剩余的数减去，运算效率要比位运算低。

现在看putVal()方法，看看它到底做了什么。

主要参数：

*  hash key的hash值
 *  key 原始Key
 *  value 要存放的值
 *  onlyIfAbsent 如果true代表不更改现有的值
 *  evict 如果为false表示table为创建状态

putVal()方法源代码如下所示：

public V put(K key, V value) 
    { 
            return putVal(hash(key), key, value, false, true);
    }
    final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                       boolean evict) { 
        Node<K,V>[] tab; Node<K,V> p; int n, i;
        /* 1）transient Node<K,V>[] table; 表示存储Map集合中元素的数组。 2）(tab = table) == null 表示将空的table赋值给tab,然后判断tab是否等于null，第一次肯定是 null 3）(n = tab.length) == 0 表示将数组的长度0赋值给n,然后判断n是否等于0，n等于0 由于if判断使用双或，满足一个即可，则执行代码 n = (tab = resize()).length; 进行数组初始化。 并将初始化好的数组长度赋值给n. 4）执行完n = (tab = resize()).length，数组tab每个空间都是null */
        if ((tab = table) == null || (n = tab.length) == 0)
            n = (tab = resize()).length;
        /* 1）i = (n - 1) & hash 表示计算数组的索引赋值给i，即确定元素存放在哪个桶中 2）p = tab[i = (n - 1) & hash]表示获取计算出的位置的数据赋值给节点p 3) (p = tab[i = (n - 1) & hash]) == null 判断节点位置是否等于null，如果为null，则执行代 码：tab[i] = newNode(hash, key, value, null);根据键值对创建新的节点放入该位置的桶中 小结：如果当前桶没有哈希碰撞冲突，则直接把键值对插入空间位置 */ 
        if ((p = tab[i = (n - 1) & hash]) == null)
            //创建一个新的节点存入到桶中
            tab[i] = newNode(hash, key, value, null);
        else { 
             // 执行else说明tab[i]不等于null，表示这个位置已经有值了。
            Node<K,V> e; K k;
            /* 比较桶中第一个元素(数组中的结点)的hash值和key是否相等 1）p.hash == hash ：p.hash表示原来存在数据的hash值 hash表示后添加数据的hash值 比较两个 hash值是否相等 说明：p表示tab[i]，即 newNode(hash, key, value, null)方法返回的Node对象。 Node<K,V> newNode(int hash, K key, V value, Node<K,V> next) { return new Node<>(hash, key, value, next); } 而在Node类中具有成员变量hash用来记录着之前数据的hash值的 2）(k = p.key) == key ：p.key获取原来数据的key赋值给k key 表示后添加数据的key 比较两个key的地址值是否相等 3）key != null && key.equals(k)：能够执行到这里说明两个key的地址值不相等，那么先判断后 添加的key是否等于null，如果不等于null再调用equals方法判断两个key的内容是否相等 */
            if (p.hash == hash &&
                ((k = p.key) == key || (key != null && key.equals(k))))
                    /* 说明：两个元素哈希值相等，并且key的值也相等 将旧的元素整体对象赋值给e，用e来记录 */ 
                    e = p;
            // hash值不相等或者key不相等；判断p是否为红黑树结点
            else if (p instanceof TreeNode)
                // 放入树中
                e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
            // 说明是链表节点
            else { 
                /* 1)如果是链表的话需要遍历到最后节点然后插入 2)采用循环遍历的方式，判断链表中是否有重复的key */
                for (int binCount = 0; ; ++binCount) { 
                    /* 1)e = p.next 获取p的下一个元素赋值给e 2)(e = p.next) == null 判断p.next是否等于null，等于null，说明p没有下一个元 素，那么此时到达了链表的尾部，还没有找到重复的key,则说明HashMap没有包含该键 将该键值对插入链表中 */
                    if ((e = p.next) == null) { 
                        /* 1）创建一个新的节点插入到尾部 p.next = newNode(hash, key, value, null); Node<K,V> newNode(int hash, K key, V value, Node<K,V> next) { return new Node<>(hash, key, value, next); } 注意第四个参数next是null，因为当前元素插入到链表末尾了，那么下一个节点肯定是 null 2）这种添加方式也满足链表数据结构的特点，每次向后添加新的元素 */
                        p.next = newNode(hash, key, value, null);
                        /* 1)节点添加完成之后判断此时节点个数是否大于TREEIFY_THRESHOLD临界值8，如果大于 则将链表转换为红黑树 2）int binCount = 0 ：表示for循环的初始化值。从0开始计数。记录着遍历节点的个 数。值是0表示第一个节点，1表示第二个节点。。。。7表示第八个节点，加上数组中的的一 个元素，元素个数是9 TREEIFY_THRESHOLD - 1 --》8 - 1 ---》7 如果binCount的值是7(加上数组中的的一个元素，元素个数是9) TREEIFY_THRESHOLD - 1也是7，此时转换红黑树 */
                        if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
                            //转换为红黑树
                            treeifyBin(tab, hash);
                        // 跳出循环
                        break;
                    }
                     
                    /* 执行到这里说明e = p.next 不是null，不是最后一个元素。继续判断链表中结点的key值与插 入的元素的key值是否相等 */
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        // 相等，跳出循环
                        /* 要添加的元素和链表中的存在的元素的key相等了，则跳出for循环。不用再继续比较了 直接执行下面的if语句去替换去 if (e != null) */
                        break;
                    /* 说明新添加的元素和当前节点不相等，继续查找下一个节点。 用于遍历桶中的链表，与前面的e = p.next组合，可以遍历链表 */
                    p = e;
                }
            }
            /* 表示在桶中找到key值、hash值与插入元素相等的结点 也就是说通过上面的操作找到了重复的键，所以这里就是把该键的值变为新的值，并返回旧值 这里完成了put方法的修改功能 */
            if (e != null) {  
                // 记录e的value
                V oldValue = e.value;
                // onlyIfAbsent为false或者旧值为null
                if (!onlyIfAbsent || oldValue == null)
                    //用新值替换旧值
                    //e.value 表示旧值 value表示新值 
                    e.value = value;
                // 访问后回调
                afterNodeAccess(e);
                // 返回旧值
                return oldValue;
            }
        }
        //修改记录次数
        ++modCount;
        // 判断实际大小是否大于threshold阈值，如果超过则扩容
        if (++size > threshold)
            resize();
        // 插入后回调
        afterNodeInsertion(evict);
        return null;
    }

### 1.2.3 treeifyBin ###

节点添加完成之后判断此时节点个数是否大于TREEIFY\_THRESHOLD临界值8，如果大于则将链表转换为红黑树，转换红黑树的方法 treeifyBin，整体代码如下：

if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
       //转换为红黑树 tab表示数组名  hash表示哈希值
       treeifyBin(tab, hash);

treeifyBin方法如下所示：

/** * Replaces all linked nodes in bin at index for given hash unless * table is too small, in which case resizes instead. 替换指定哈希表的索引处桶中的所有链接节点，除非表太小，否则将修改大小。 Node<K,V>[] tab = tab 数组名 int hash = hash表示哈希值 */
        final void treeifyBin(Node<K,V>[] tab, int hash) { 
            int n, index; Node<K,V> e;
            /* 如果当前数组为空或者数组的长度小于进行树形化的阈值(MIN_TREEIFY_CAPACITY = 64), 就去扩容。而不是将节点变为红黑树。 目的：如果数组很小，那么转换红黑树，然后遍历效率要低一些。这时进行扩容，那么重新计算哈希值 ，链表长度有可能就变短了，数据会放到数组中，这样相对来说效率高一些。 */
            if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY)
                //扩容方法
                resize();
            else if ((e = tab[index = (n - 1) & hash]) != null) { 
                /* 1）执行到这里说明哈希表中的数组长度大于阈值64，开始进行树形化 2）e = tab[index = (n - 1) & hash]表示将数组中的元素取出赋值给e,e是哈希表中指定位 置桶里的链表节点，从第一个开始 */
                //hd：红黑树的头结点 tl :红黑树的尾结点
                TreeNode<K,V> hd = null, tl = null;
                do { 
                    //新创建一个树的节点，内容和当前链表节点e一致
                    TreeNode<K,V> p = replacementTreeNode(e, null);
                    if (tl == null)
                        //将新创键的p节点赋值给红黑树的头结点
                        hd = p;
                    else { 
                        /* p.prev = tl：将上一个节点p赋值给现在的p的前一个节点 tl.next = p;将现在节点p作为树的尾结点的下一个节点 */
                        p.prev = tl;
                        tl.next = p;
                    }
                    tl = p;
                    /* e = e.next 将当前节点的下一个节点赋值给e,如果下一个节点不等于null 则回到上面继续取出链表中节点转换为红黑树 */
                } while ((e = e.next) != null);
                /* 让桶中的第一个元素即数组中的元素指向新建的红黑树的节点，以后这个桶里的元素就是红黑树 而不是链表数据结构了 */
                if ((tab[index] = hd) != null)
                    hd.treeify(tab);
            }
        }

小结：上述操作一共做了如下几件事：

1.根据哈希表中元素个数确定是扩容还是树形化

2.如果是树形化遍历桶中的元素，创建相同个数的树形节点，复制内容，建立起联系

3.然后让桶中的第一个元素指向新创建的树根节点，替换桶的链表内容为树形化内容

### 1.2.4 resize ###

##### 扩容机制 #####

想要了解HashMap的扩容机制你要有这两个问题

*  1.什么时候才需要扩容
 *  2.HashMap的扩容是什么

1.什么时候才需要扩容

当HashMap中的元素个数超过数组大小(数组长度)\*loadFactor(负载因子)时，就会进行数组扩容，loadFactor的默认值(DEFAULT\_LOAD\_FACTOR)是0.75,这是一个折中的取值。也就是说，默认情况下，数组大小为16，那么当HashMap中的元素个数超过16×0.75=12(这个值就是阈值或者边界值threshold值)的时候，就把数组的大小扩展为2×16=32，即扩大一倍，然后重新计算每个元素在数组中的位置，而这是一个非常耗性能的操作，所以如果我们已经预知HashMap中元素的个数，那么预知元素的个数能够有效的提高HashMap的性能。

补充：

当HashMap中的其中一个链表的对象个数如果达到了8个，此时如果数组长度没有达到64，那么HashMap会先扩容解决，如果已经达到了64，那么这个链表会变成红黑树，节点类型由Node变成TreeNode类型。当然，如果映射关系被移除后，下次执行resize方法时判断树的节点个数低于6，也会再把树转换为链表。

2.HashMap的扩容是什么

进行扩容，会伴随着一次重新hash分配，并且会遍历hash表中所有的元素，是非常耗时的。在编写程序中，要尽量避免resize。

HashMap在进行扩容时，使用的rehash方式非常巧妙，因为每次扩容都是翻倍，与原来计算的 (n-1)&hash的结果相比，只是多了一个bit位，所以节点要么就在原来的位置，要么就被分配到"原位置+旧容量"这个位置。

怎么理解呢？例如我们从16扩展为32时，具体的变化如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 3]  
因此元素在重新计算hash之后，因为n变为2倍，那么n-1的标记范围在高位多1bit(红色)，因此新的index就会发生这样的变化：  
![在这里插入图片描述][20200418174952377.png]  
说明：5是假设计算出来的原来的索引。这样就验证了上述所描述的：扩容之后所以节点要么就在原来的位置，要么就被分配到"原位置+旧容量"这个位置。

因此，我们在扩充HashMap的时候，不需要重新计算hash，只需要看看原来的hash值新增的那个bit是1还是0就可以了，是0的话索引没变，是1的话索引变成“原索引+oldCap(原位置+旧容量)”。可以看看下图为16扩充为32的resize示意图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 4]  
正是因为这样巧妙的rehash方式，既省去了重新计算hash值的时间，而且同时，由于新增的1bit是0还是1可以认为是随机的，在resize的过程中保证了rehash之后每个桶上的节点数一定小于等于原来桶上的节点数，保证了rehash之后不会出现更严重的hash冲突，均匀的把之前的冲突的节点分散到新的桶中了。

为什么当桶中键值对数量大于8才转换成红黑树，数量小于6才转换成链表？

HashMap在JDK1.8及以后的版本中引入了红黑树结构，若桶中链表元素个数大于等于8时，链表转换成树结构；若桶中链表元素个数小于等于6时，树结构还原成链表。因为红黑树的平均查找长度是log(n)，长度为8的时候，平均查找长度为3，如果继续使用链表，平均查找长度为8/2=4，这才有转换为树的必要。链表长度如果是小于等于6，6/2=3，虽然速度也很快的，但是转化为树结构和生成树的时间并不会太短。

还有选择6和8，中间有个差值7可以有效防止链表和树频繁转换。假设一下，如果设计成链表个数超过8则链表转换成树结构，链表个数小于8则树结构转换成链表，如果一个HashMap不停的插入、删除元素，链表个数在8左右徘徊，就会频繁的发生树转链表、链表转树，效率会很低。

##### 源码解读 #####

final Node<K,V>[] resize() { 
        //得到当前数组
        Node<K,V>[] oldTab = table;
        //如果当前数组等于null长度返回0，否则返回当前数组的长度
        int oldCap = (oldTab == null) ? 0 : oldTab.length;
        //当前阀值点 默认是12(16*0.75)
        int oldThr = threshold;
        int newCap, newThr = 0;
        //如果老的数组长度大于0
        //开始计算扩容后的大小
        if (oldCap > 0) { 
            // 超过最大值就不再扩充了，就只好随你碰撞去吧
            if (oldCap >= MAXIMUM_CAPACITY) { 
                //修改阈值为int的最大值
                threshold = Integer.MAX_VALUE;
                return oldTab;
            }
            /* 没超过最大值，就扩充为原来的2倍 1)(newCap = oldCap << 1) < MAXIMUM_CAPACITY 扩大到2倍之后容量要小于最大容量 2）oldCap >= DEFAULT_INITIAL_CAPACITY 原数组长度大于等于数组初始化长度16 */
            else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
                     oldCap >= DEFAULT_INITIAL_CAPACITY)
                //阈值扩大一倍
                newThr = oldThr << 1; // double threshold
        }
        //老阈值点大于0 直接赋值
        else if (oldThr > 0) // 老阈值赋值给新的数组长度
            newCap = oldThr;
        else { // 直接使用默认值
            newCap = DEFAULT_INITIAL_CAPACITY;//16
            newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
        }
        // 计算新的resize最大上限
        if (newThr == 0) { 
            float ft = (float)newCap * loadFactor;
            newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                      (int)ft : Integer.MAX_VALUE);
        }
        //新的阀值 默认原来是12 乘以2之后变为24
        threshold = newThr;
        //创建新的哈希表
        @SuppressWarnings({ "rawtypes","unchecked"})
        //newCap是新的数组长度--》32
        Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
        table = newTab;
        //判断旧数组是否等于空
        if (oldTab != null) { 
            // 把每个bucket都移动到新的buckets中
            //遍历旧的哈希表的每个桶，重新计算桶里元素的新位置
            for (int j = 0; j < oldCap; ++j) { 
                Node<K,V> e;
                if ((e = oldTab[j]) != null) { 
                    //原来的数据赋值为null 便于GC回收
                    oldTab[j] = null;
                    //判断数组是否有下一个引用
                    if (e.next == null)
                        //没有下一个引用，说明不是链表，当前桶上只有一个键值对，直接插入
                        newTab[e.hash & (newCap - 1)] = e;
                    //判断是否是红黑树
                    else if (e instanceof TreeNode)
                        //说明是红黑树来处理冲突的，则调用相关方法把树分开
                        ((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
                    else {  // 采用链表处理冲突
                        Node<K,V> loHead = null, loTail = null;
                        Node<K,V> hiHead = null, hiTail = null;
                        Node<K,V> next;
                        //通过上述讲解的原理来计算节点的新位置
                        do { 
                            // 原索引
                            next = e.next;
                         	//这里来判断如果等于true e这个节点在resize之后不需要移动位置
                            if ((e.hash & oldCap) == 0) { 
                                if (loTail == null)
                                    loHead = e;
                                else
                                    loTail.next = e;
                                loTail = e;
                            }
                            // 原索引+oldCap
                            else { 
                                if (hiTail == null)
                                    hiHead = e;
                                else
                                    hiTail.next = e;
                                hiTail = e;
                            }
                        } while ((e = next) != null);
                        // 原索引放到bucket里
                        if (loTail != null) { 
                            loTail.next = null;
                            newTab[j] = loHead;
                        }
                        // 原索引+oldCap放到bucket里
                        if (hiTail != null) { 
                            hiTail.next = null;
                            newTab[j + oldCap] = hiHead;
                        }
                    }
                }
            }
        }
        return newTab;
    }

### 1.2.5 remove ###

理解了put方法之后，remove方法已经没什么难度了，所以重复的内容就不再做详细介绍了。

删除的话就是首先先找到元素的位置，如果是链表就遍历链表找到元素之后删除。如果是用红黑树就遍历树然后找到之后做删除，树小于6的时候要转链表。

删除remove方法：

//remove方法的具体实现在removeNode方法中，所以我们重点看下removeNode方法
    public V remove(Object key) { 
            Node<K,V> e;
            return (e = removeNode(hash(key), key, null, false, true)) == null ?
                null : e.value;
        }

removeNode方法：

final Node<K,V> removeNode(int hash, Object key, Object value,
                                   boolean matchValue, boolean movable) { 
            Node<K,V>[] tab; Node<K,V> p; int n, index;
        	//根据hash找到位置 
        	//如果当前key映射到的桶不为空
            if ((tab = table) != null && (n = tab.length) > 0 &&
                (p = tab[index = (n - 1) & hash]) != null) { 
                Node<K,V> node = null, e; K k; V v;
                //如果桶上的节点就是要找的key，则将node指向该节点
                if (p.hash == hash &&
                    ((k = p.key) == key || (key != null && key.equals(k))))
                    node = p;
                else if ((e = p.next) != null) { 
                    //说明节点存在下一个节点
                    if (p instanceof TreeNode)
                        //说明是以红黑树来处理的冲突，则获取红黑树要删除的节点
                        node = ((TreeNode<K,V>)p).getTreeNode(hash, key);
                    else { 
                        //判断是否以链表方式处理hash冲突，是的话则通过遍历链表来寻找要删除的节点
                        do { 
                            if (e.hash == hash &&
                                ((k = e.key) == key ||
                                 (key != null && key.equals(k)))) { 
                                node = e;
                                break;
                            }
                            p = e;
                        } while ((e = e.next) != null);
                    }
                }
                //比较找到的key的value和要删除的是否匹配
                if (node != null && (!matchValue || (v = node.value) == value ||
                                     (value != null && value.equals(v)))) { 
                    //通过调用红黑树的方法来删除节点
                    if (node instanceof TreeNode)
                        ((TreeNode<K,V>)node).removeTreeNode(this, tab, movable);
                    else if (node == p)
                        //链表删除
                        tab[index] = node.next;
                    else
                        p.next = node.next;
                    //记录修改次数
                    ++modCount;
                    //变动的数量
                    --size;
                    afterNodeRemoval(node);
                    return node;
                }
            }
            return null;
        }

### 1.2.6 get ###

查找方法，通过元素的Key找到Value。

代码如下：

public V get(Object key) { 
        Node<K,V> e;
        return (e = getNode(hash(key), key)) == null ? null : e.value;
    }

get方法主要调用的是getNode方法，代码如下：

final Node<K,V> getNode(int hash, Object key) { 
        Node<K,V>[] tab; Node<K,V> first, e; int n; K k;
        //如果哈希表不为空并且key对应的桶上不为空
        if ((tab = table) != null && (n = tab.length) > 0 &&
            (first = tab[(n - 1) & hash]) != null) { 
            /* 判断数组元素是否相等 根据索引的位置检查第一个元素 注意：总是检查第一个元素 */
            if (first.hash == hash && // always check first node
                ((k = first.key) == key || (key != null && key.equals(k))))
                return first;
            // 如果不是第一个元素，判断是否有后续节点
            if ((e = first.next) != null) { 
                // 判断是否是红黑树，是的话调用红黑树中的getTreeNode方法获取节点
                if (first instanceof TreeNode)
                    return ((TreeNode<K,V>)first).getTreeNode(hash, key);
                do { 
                    // 不是红黑树的话，那就是链表结构了，通过循环的方法判断链表中是否存在该key
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        return e;
                } while ((e = e.next) != null);
            }
        }
        return null;
    }

小结：

1.get方法实现的步骤：

1）通过hash值获取该key映射到的桶
    
    2）桶上的key就是要查找的key,则直接找到并返回
    
    3）桶上的key不是要找的key,则查看后续的节点：
    
    		a:如果后续节点是红黑树节点，通过调用红黑树的方法根据key获取value
    
    		b:如果后续节点是链表节点，则通过循环遍历链表根据key获取value

2.上述红黑树节点调用的是getTreeNode方法通过树形节点的find方法进行查找：

final TreeNode<K,V> getTreeNode(int h, Object k) { 
                return ((parent != null) ? root() : this).find(h, k, null);
     }
     final TreeNode<K,V> find(int h, Object k, Class<?> kc) { 
                TreeNode<K,V> p = this;
                do { 
                    int ph, dir; K pk;
                    TreeNode<K,V> pl = p.left, pr = p.right, q;
                    if ((ph = p.hash) > h)
                        p = pl;
                    else if (ph < h)
                        p = pr;
                    else if ((pk = p.key) == k || (k != null && k.equals(pk)))
                        return p;//找到之后直接返回
                    else if (pl == null)
                        p = pr;
                    else if (pr == null)
                        p = pl;
                    else if ((kc != null ||
                              (kc = comparableClassFor(k)) != null) &&
                             (dir = compareComparables(kc, k, pk)) != 0)
                        p = (dir < 0) ? pl : pr;
                    //递归查找
                    else if ((q = pr.find(h, k, kc)) != null)
                        return q;
                    else
                        p = pl;
                } while (p != null);
                return null;
            }

3.查找红黑树，由于之前添加时已经保证这个树是有序的了，因此查找时基本就是折半查找，效率更高。

4.这里和插入时一样，如果对比节点的哈希值和要查找的哈希值相等，就会判断key是否相等，相等就直接返回。不相等就从子树中递归查找。

若为树，则在树中通过key.equals(k)查找，O(logn) 
    
    若为链表，则在链表中通过key.equals(k)查找，O(n)。

### 1.2.7 遍历 ###

public class Demo02 { 
        public static void main(String[] args) { 
            HashMap<String,String> m1 = new HashMap();
            m1.put("001", "zhangsan");
            m1.put("002", "lisi");
            m1.forEach((key,value)->{ 
                System.out.println(key+"---"+value);
            });
        }
    }

## 1.3HashMap的初始化 ##

如果我们确切的知道我们有多少键值对需要存储，那么我们在初始化HashMap的时候就应该指定它的容量，以防止HashMap自动扩容，影响使用效率。
    
    默认情况下HashMap的容量是16，但是，如果用户通过构造函数指定了一个数字作为容量，那么Hash会选择大于该数字的第一个2的幂作为容量。(3->4、7->8、9->16) .这点我们在上述已经进行过讲解。

《阿里巴巴Java开发手册》中建议我们设置HashMap的初始化容量。  
![在这里插入图片描述][20200418175843702.png]  
那么，为什么要这么建议？你有想过没有。

当然，以上建议也是有理论支撑的。我们上面介绍过，HashMap的扩容机制，就是当达到扩容条件时会进行扩容。HashMap的扩容条件就是当HashMap中的元素个数（size）超过临界值（threshold）时就会自动扩容。在HashMap中，threshold = loadFactor \* capacity。

所以，如果我们没有设置初始容量大小，随着元素的不断增加，HashMap会有可能发生多次扩容，而HashMap中的扩容机制决定了每次扩容都需要重建hash表，是非常影响性能的。

但是设置初始化容量，设置的数值不同也会影响性能，那么当我们已知HashMap中即将存放的KV个数的时候，容量设置成多少为好呢？

**HashMap中容量的初始化**  
当我们使用HashMap(int initialCapacity)来初始化容量的时候，jdk会默认帮我们计算一个相对合理的值当做初始容量。那么，是不是我们只需要把已知的HashMap中即将存放的元素个数直接传给initialCapacity就可以了呢？

关于这个值的设置，在《阿里巴巴Java开发手册》有以下建议：  
![在这里插入图片描述][20200418175916479.png]  
也就是说，如果我们设置的默认值是7，经过Jdk处理之后，会被设置成8，但是，这个HashMap在元素个数达到 8\*0.75 = 6的时候就会进行一次扩容，这明显是我们不希望见到的。我们应该尽量减少扩容。原因也已经分析过。

如果我们通过initialCapacity/ 0.75F + 1.0F计算，7/0.75 + 1 = 10 ,10经过Jdk处理之后，会被设置成16，这就大大的减少了扩容的几率。

当HashMap内部维护的哈希表的容量达到75%时（默认情况下），会触发rehash，而rehash的过程是比较耗费时间的。所以初始化容量要设置成initialCapacity/0.75 + 1的话，可以有效的减少冲突也可以减小误差。

所以，我可以认为，当我们明确知道HashMap中元素的个数的时候，把默认容量设置成initialCapacity/ 0.75F + 1.0F是一个在性能上相对好的选择，但是，同时也会牺牲些内存。

我们想要在代码中创建一个HashMap的时候，如果我们已知这个Map中即将存放的元素个数，给HashMap设置初始容量可以在一定程度上提升效率。

但是，JDK并不会直接拿用户传进来的数字当做默认容量，而是会进行一番运算，最终得到一个2的幂。原因也已经分析过。

但是，为了最大程度的避免扩容带来的性能消耗，我们建议可以把默认容量的数字设置成initialCapacity/ 0.75F + 1.0F。

--------------------

## 面试题 ##

1.面试题：HashMap中hash函数是怎么实现的？还有哪些hash函数的实现方式？

对于key的hashCode做hash操作，无符号右移16位然后做异或运算。
    还有平方取中法，伪随机数法和取余数法。这三种效率都比较低。而无符号右移16位异或运算效率是最高的。至于底层是如何计算的我们下面看源码时给大家讲解。

2.面试题：当两个对象的hashCode相等时会怎么样？

会产生哈希碰撞，若key值内容相同则替换旧的value.不然连接到链表后面，链表长度超过阈值8就转换为红黑树存储。

3.面试题：何时发生哈希碰撞和什么是哈希碰撞,如何解决哈希碰撞？

只要两个元素的key计算的哈希码值相同就会发生哈希碰撞。jdk8前使用链表解决哈希碰撞。jdk8之后使用链表+红黑树解决哈希碰撞。

4.面试题：如果两个键的hashcode相同，如何存储键值对？

hashcode相同，通过equals比较内容是否相同。
    相同：则新的value覆盖之前的value
    不相同：则将新的键值对添加到哈希表中

5.在不断的添加数据的过程中，会涉及到扩容问题，当超出临界值(且要存放的位置非空)时，扩容。默认的扩容方式：扩容为原来容量的2倍，并将原有的数据复制过来。

6.通过上述描述，当位于一个链表中的元素较多，即hash值相等但是内容不相等的元素较多时，通过key值依次查找的效率较低。而JDK1.8中，哈希表存储采用数组+链表+红黑树实现，当链表长度(阀值)超过 8 时且当前数组的长度 > 64时，将链表转换为红黑树，这样大大减少了查找时间。jdk8在哈希表中引入红黑树的原因只是为了查找效率更高。

1.  但是这样的话问题来了，传统hashMap的缺点，1.8为什么引入红黑树？这样结构的话不是更麻烦了吗，为何阈值大于8换成红黑树？

JDK 1.8 以前 HashMap 的实现是 数组+链表，即使哈希函数取得再好，也很难达到元素百分百均匀分布。当 HashMap 中有大量的元素都存放到同一个桶中时，这个桶下有一条长长的链表，这个时候 HashMap 就相当于一个单链表，假如单链表有 n 个元素，遍历的时间复杂度就是 O(n)，完全失去了它的优势。**针对这种情况，JDK 1.8 中引入了 红黑树（查找时间复杂度为 O(logn)）来优化这个问题。 当链表长度很小的时候，即使遍历，速度也非常快，但是当链表长度不断变长，肯定会对查询性能有一定的影响，所以才需要转成树。**

--------------------

## 1.4 HashMap的线程安全问题 ##

[https://www.cnblogs.com/wang-meng/p/7582532.html][https_www.cnblogs.com_wang-meng_p_7582532.html]

## 1.5 jdk1.7 与jdk1.8的区别 ##

[https://blog.csdn.net/qq\_36520235/article/details/82417949][https_blog.csdn.net_qq_36520235_article_details_82417949]  
[https://www.jianshu.com/p/8324a34577a0][https_www.jianshu.com_p_8324a34577a0]

# 2. ConcurrentHashMap #

[另一篇][Link 2]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70]: /images/20230521/1a15834ac7204a9f825305cc45dd1a2e.png
[20200418164054283.png]: /images/20230521/c3cf87bf785346e6b8d61c923c8f0c64.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 1]: /images/20230521/ef3aa021fbcb47488cd2f85cfe35d06b.png
[Link 1]: https://www.cnblogs.com/MWCloud/p/11380160.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 2]: /images/20230521/684b86fb858a45ada4a844590e6275f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 3]: /images/20230521/81c4a5452caf4a5baaec11abe86fbb21.png
[20200418174952377.png]: /images/20230521/fb866a228ddd4c37ba21356949844707.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpdHRsZXdoaXRldmc_size_16_color_FFFFFF_t_70 4]: /images/20230521/ceefd32f5ee14151b21598f192d6d3e6.png
[20200418175843702.png]: /images/20230521/da81d213bd014ad68c11f8957fda20d0.png
[20200418175916479.png]: /images/20230521/0364b345e5c9402faf62c1851a69a9d7.png
[https_www.cnblogs.com_wang-meng_p_7582532.html]: https://www.cnblogs.com/wang-meng/p/7582532.html
[https_blog.csdn.net_qq_36520235_article_details_82417949]: https://blog.csdn.net/qq_36520235/article/details/82417949
[https_www.jianshu.com_p_8324a34577a0]: https://www.jianshu.com/p/8324a34577a0
[Link 2]: https://blog.csdn.net/littlewhitevg/article/details/105604100