Map相关--这一篇全了解

柔光的暖阳◎ 2022-05-12 10:16 182阅读 0赞

**目录**

Map整体结构

什么是HashMap

HashMap实现原理分析

静态常量

构造函数

添加元素

扩容

树化操作

红黑树插入

红黑树拆分

去树化操作

综合示例

HashMap和HashTable、TreeMap的区别

HashMap与HashSet的关系

HashMap 和 ConcurrentHashMap 的关系

参考：

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

## **Map整体结构** ##

首先，先对 Map 相关类型有个整体了解，Map 虽然通常被包括在 Java 集合框架里，但是其本身并不是狭义上的集合类型（Collection），具体你可以参考下面这个简单类图。

![/images/20220512/5cf08b27b4984bdf82cb59ab2558744a.png][https_static001.geekbang.org_resource_image_26_7c_266cfaab2573c9777b1157816784727c.png]

Hashtable 比较特别，作为类似 Vector、Stack 的早期集合相关类型，它是扩展了 Dictionary 类的，类结构上与 HashMap 之类明显不同。

HashMap 等其他 Map 实现则是都扩展了 AbstractMap，里面包含了通用方法抽象。不同 Map 的用途，从类图结构就能体现出来，设计目的已经体现在不同接口上。

大部分使用 Map 的场景，通常就是放入、访问或者删除，而对顺序没有特别要求，HashMap 在这种情况下基本是最好的选择。**HashMap** **的性能表现非常依赖于哈希码的有效性，请务必掌握 hashCode** **和 equals** **的一些基本约定**，比如：

1.  equals 相等，hashCode 一定要相等。
2.  重写了 hashCode 也要重写 equals。
3.  hashCode 需要保持一致性，状态改变返回的哈希值仍然要一致。
4.  equals 的对称、反射、传递等特性。

补充一些，虽然 LinkedHashMap 和 TreeMap 都可以保证某种顺序，但二者还是非常不同的。

1.  LinkedHashMap 通常提供的是遍历顺序符合插入顺序，它的实现是通过为条目（键值对）维护一个双向链表。注意，通过特定构造函数，我们可以创建反映访问顺序的实例，所谓的 put、get、compute 等，都算作“访问”。

这种行为适用于一些特定应用场景，例如，我们构建一个空间占用敏感的资源池，希望可以自动将最不常被访问的对象释放掉，这就可以利用 LinkedHashMap 提供的机制来实现，参考下面的示例(jdk1.8)：

import java.util.LinkedHashMap;
    import java.util.Map; 
    
    public class LinkedHashMapSample {
        public static void main(String[] args) {
            LinkedHashMap<String, String> accessOrderedMap = new LinkedHashMap<>(16, 0.75F, true){
                @Override
                protected boolean removeEldestEntry(Map.Entry<String, String> eldest) { // 实现自定义删除策略，否则行为就和普遍 Map 没有区别
                    return size() > 3;
                }
            };
            accessOrderedMap.put("Project1", "Valhalla");
            accessOrderedMap.put("Project2", "Panama");
            accessOrderedMap.put("Project3", "Loom");
            accessOrderedMap.forEach( (k,v) -> {
                System.out.println(k +":" + v);
            });
            // 模拟访问
            accessOrderedMap.get("Project2");
            accessOrderedMap.get("Project2");
            accessOrderedMap.get("Project3");
            System.out.println("Iterate over should be not affected:");
            accessOrderedMap.forEach( (k,v) -> {
                System.out.println(k +":" + v);
            });
            // 触发删除
            accessOrderedMap.put("Project4", "Mission Control");
            System.out.println("Oldest entry should be removed:");
            accessOrderedMap.forEach( (k,v) -> {// 遍历顺序不变
                System.out.println(k +":" + v);
            });
        }
    }

1.  对于 TreeMap，它的整体顺序是由键的顺序关系决定的，通过 Comparator 或 Comparable（自然顺序）来决定。

构建一个具有优先级的调度系统，其本质就是个典型的优先队列场景，Java 标准库提供了基于**二叉堆**实现的 PriorityQueue，都是依赖于同一种排序机制，也包括 TreeMap 的马甲 TreeSet。

类似 hashCode 和 equals 的约定，为了避免模棱两可的情况，自然顺序同样需要符合一个约定，就是 **compareTo** **的返回值需要和 equals** **一致**，否则就会出现模棱两可情况。

我们可以分析 TreeMap 的 put 方法实现：

从代码里，你可以看出什么呢？ 当我不遵守约定时，两个不符合唯一性（equals）要求的对象被当作是同一个（因为，compareTo 返回 0），这会导致歧义的行为表现。

public V put(K key, V value) {
        Entry<K,V> t = …
        cmp = k.compareTo(t.key);
        if (cmp < 0)
            t = t.left;
        else if (cmp > 0)
            t = t.right;
        else
            return t.setValue(value);
            // ...
       }

## **什么是HashMap** ##

**基于哈希表的** **Map** **接口的实现**。**并允许使用** **null** **值和** **null** **键。**（**除了非同步和允许使用** **null** **之外**，**HashMap 类与 Hashtable 大致相同。）此类不保证映射的顺序，特别是它不保证该顺序恒久不变。** 此实现假定哈希函数将元素适当地分布在各桶之间，可为基本操作（get 和 put）提供稳定的性能。迭代 collection 视图所需的时间与 HashMap 实例的“容量”（桶的数量）及其大小（键-值映射关系数）成比例。所以，如果迭代性能很重要，则不要将初始容量设置得太高（或将加载因子设置得太低）。

HashMap实现了Map接口，继承AbstractMap。其中Map接口定义了键映射到值的规则，而AbstractMap类提供 Map 接口的骨干实现，以最大限度地减少实现此接口所需的工作，其实AbstractMap类已经实现了Map。

作为哈希表的Map接口实现，其具备以下几个特点：

1.  和HashTable类似，采用数组+单链表形式存储元素，从jdk1.8开始，增加了红黑树的结构，当单链表中元素个数超过指定阈值，会转化为红黑树结构存储，目的就是为了解决单链表元素过多时查询慢的问题。
2.  和HashTable不同的是，HashMap是线程不安全的，方法都未使用synchronized关键字。因为内部实现不同，允许key和value值为null。
3.  构建HashMap实例时有两个重要的参数，会影响其性能：初始大小和加载因子。初始大小用来规定哈希表数组的长度，即桶的个数。加载因子用来表示哈希表元素的填满程度，越大则表示允许填满的元素就越多，哈希表的空间利用率就越高，但是冲突的机会也就增加了。反之，越小则冲突的机会就会越少，但是空间很多就浪费了。

public class HashMap<K,V> extends AbstractMap<K,V> 
            implements Map<K,V>, Cloneable, Serializable

## **HashMap实现原理分析** ##

**1. HashMap****的数据结构** 数据结构中有`数组`和`链表`来实现对数据的存储，但这两者基本上是两个极端。

**数组**:数组必须事先定义固定的长度（元素个数），不能适应数据动态地增减的情况。当数据增加时，可能超出原先定义的元素个数；当数据减少时，造成内存浪费。

数组是静态分配内存，并且在内存中连续。  
数组利用下标定位，时间复杂度为O(1)  
数组插入或删除元素的时间复杂度O(n)  
数组的特点是：*寻址容易，插入和删除困难*；

**链表**:链表存储区间离散，占用内存比较宽松。

链表是动态分配内存，并不连续。  
链表定位元素时间复杂度O(n)  
链表插入或删除元素的时间复杂度O(1)  
链表的特点是：*寻址困难，插入和删除容易。*

**哈希表**

哈希表：寻址容易，插入删除也容易的数据结构。`哈希表（(Hash table）`既满足了数据的查找方便，同时不占用太多的内容空间，使用也十分方便。

哈希表有多种不同的实现方法，我接下来解释的是最常用的一种方法—— 拉链法，我们可以理解为“链表的数组” ，如图：

![70][]

从上图我们可以发现哈希表是由数组+链表组成的，一个长度为16的数组中，每个元素存储的是一个链表的头结点。那么这些元素是按照什么样的规则存储到数组中呢。一般情况是通过hash(key)%len获得，也就是元素的key的哈希值对数组长度取模得到。比如上述哈希表中，12%16=12,28%16=12,108%16=12,140%16=12。所以12、28、108以及140都存储在数组下标为12的位置。

首先HashMap里面实现一个静态内部类Entry，其重要的属性有 key , value, next，从属性key,value我们就能很明显的看出来Entry就是HashMap键值对实现的一个基础bean，我们上面说到HashMap的基础就是一个线性数组，这个数组就是Entry\[\]，Map里面的内容都保存在Entry\[\]里面。

###  静态常量 ###

/**
     * 默认初始大小，值为16，要求必须为2的幂
     */
    static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16
    
    /**
     * 最大容量，必须不大于2^30
     */
    static final int MAXIMUM_CAPACITY = 1 << 30;
    
    /**
     * 默认加载因子，值为0.75
     */
    static final float DEFAULT_LOAD_FACTOR = 0.75f;
    
    /**
     * hash冲突默认采用单链表存储，当单链表节点个数大于8时，会转化为红黑树存储
     */
    static final int TREEIFY_THRESHOLD = 8;
    
    /**
     * hash冲突默认采用单链表存储，当单链表节点个数大于8时，会转化为红黑树存储。
     * 当红黑树中节点少于6时，则转化为单链表存储
     */
    static final int UNTREEIFY_THRESHOLD = 6;
    
    /**
     * hash冲突默认采用单链表存储，当单链表节点个数大于8时，会转化为红黑树存储。
     * 但是有一个前提：要求数组长度大于64，否则不会进行转化
     */
    static final int MIN_TREEIFY_CAPACITY = 64;

**注意：**HashMap默认采用数组+单链表方式存储元素，当元素出现哈希冲突时，会存储到该位置的单链表中。但是单链表不会一直增加元素，当元素个数超过8个时，会尝试将单链表转化为红黑树存储。但是在转化前，会再判断一次当前数组的长度，只有数组长度大于64才处理。否则，进行扩容操作。此处先提到这，后续会有详细的讲解。

** 为何加载因子默认为0.75？**  
通过源码里的javadoc注释看到，元素在哈希表中分布的桶频率服从参数为0.5的泊松分布，具体可以参考下StackOverflow里的解答：https://stackoverflow.com/questions/10901752/what-is-the-significance-of-load-factor-in-hashmap

### 构造函数 ###

1、无参构造函数：

public HashMap() {
        this.loadFactor = DEFAULT_LOAD_FACTOR; // all other fields defaulted
    }

2、带参构造函数，指定初始容量：

public HashMap(int initialCapacity) {
        this(initialCapacity, DEFAULT_LOAD_FACTOR);
    }

3、带参构造函数，指定初始容量和加载因子：

3.1、源码：

public HashMap(int initialCapacity, float loadFactor) {
         if (initialCapacity < 0)
             throw new IllegalArgumentException("Illegal initial capacity: " +
                                                initialCapacity);
         if (initialCapacity > MAXIMUM_CAPACITY)
             initialCapacity = MAXIMUM_CAPACITY;
         if (loadFactor <= 0 || Float.isNaN(loadFactor))
             throw new IllegalArgumentException("Illegal load factor: " +
                                                loadFactor);
        this.loadFactor = loadFactor;
        this.threshold = tableSizeFor(initialCapacity)//通过后面扩容的方法知道，该值就是初始创建数组时的长度
    }
    
    //返回大于等于cap最小的2的幂，如cap为12，结果就是16
    static final int tableSizeFor(int cap) {
        int n = cap - 1;//为了保证当cap本身是2的幂的情况下，能够返回原本的数，否则返回的是cap的2倍
        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;
    }

3.2、示例：

下面我们以cap等于8为例：

1.  不减一的过程如下：
    
    ![70 1][]
    
    图注:tableSizeFor不减一过程  
    最后执行加1操作，那么返回的是2^4=16，是cap的2倍。
2.  减一的过程如下：
    
    ![70 2][]
    
    图注:tableSizeFor减一过程  
    最后执行加1操作，那么返回的是2^3=8，也就是cap本身。

3.3、问题：

为何数组容量必须是2次幂？  
     索引计算公式为i = (n - 1) & hash，如果n为2次幂，那么n-1的低位就全是1，哈希值进行与操作时可以保证低位的值不变，从而保证分布均匀，效果等同于hash%n，但是位运算比取余运算要高效的多。

4、带参构造函数，指定Map集合：

public HashMap(Map<? extends K, ? extends V> m) {
         this.loadFactor = DEFAULT_LOAD_FACTOR;
         putMapEntries(m, false);
     }
     
     final void putMapEntries(Map<? extends K, ? extends V> m, boolean evict) {
         int s = m.size();
         if (s > 0) {
             if (table == null) { // pre-size
                float ft = ((float)s / loadFactor) + 1.0F;
                int t = ((ft < (float)MAXIMUM_CAPACITY) ?
                         (int)ft : MAXIMUM_CAPACITY);
                if (t > threshold)
                    threshold = tableSizeFor(t);
            }
            else if (s > threshold)
                resize();
            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);
            }
        }
    }

###  添加元素 ###

1、源码：

public V put(K key, V value) {
         return putVal(hash(key), key, value, false, true);
     }
     
     //将key的哈希值，进行高16位和低16位异或操作，增加低16位的随机性，降低哈希冲突的可能性
     static final int hash(Object key) {
         int h;
         return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
     }
    final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                       boolean evict) {
        Node<K,V>[] tab; Node<K,V> p; int n, i;
        //首次table为null，首先通过resize()进行数组初始化
        if ((tab = table) == null || (n = tab.length) == 0)
            n = (tab = resize()).length;
        //利用index=(n-1)&hash的方式，找到索引位置
        //如果索引位置无元素，则创建Node对象，存入数组该位置中
        if ((p = tab[i = (n - 1) & hash]) == null)
            tab[i] = newNode(hash, key, value, null);
        else {  //如果索引位置已有元素，说明hash冲突，存入单链表或者红黑树中
            Node<K,V> e; K k;
            //hash值和key值都一样，则进行value值的替代
            if (p.hash == hash &&
                ((k = p.key) == key || (key != null && key.equals(k))))
                e = p;
            else if (p instanceof TreeNode) //hash值一致，key值不一致，且p为红黑树结构，则往红黑树中添加
                e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
            else { //hash值一致，key值不一致，且p为单链表结构，则往单链表中添加
                for (int binCount = 0; ; ++binCount) {
                    if ((e = p.next) == null) {
                        p.next = newNode(hash, key, value, null); //追加到单链表末尾
                        if (binCount >= TREEIFY_THRESHOLD - 1) // //超过树化阈值则进行树化操作
                            treeifyBin(tab, hash);
                        break;
                    }
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        break;
                    p = e;
                }
            }
            if (e != null) { // existing mapping for key
                V oldValue = e.value;
                if (!onlyIfAbsent || oldValue == null)
                    e.value = value;
                afterNodeAccess(e);
                return oldValue;
            }
        }
        ++modCount;
        if (++size > threshold) //当元素个数大于新增阈值，则通过resize()扩容
            resize();
        afterNodeInsertion(evict);
        return null;
    }

2、流程图：

![70 3][]

图注:添加元素流程图

3、hash计算：

获取hash值时：为何在hash方法中加上异或无符号右移16位的操作？  
     此方式是采用"扰乱函数"的解决方案，将key的哈希值，进行高16位和低16位异或操作，增加低16位的随机性，降低哈希冲突的可能性。

下面我们通过一个例子，来看下有无"扰乱函数"的情况下，计算出来索引位置的值：

![70 4][]

图注:hash计算

### 扩容 ###

1、源码：

final Node<K,V>[] resize() {
         Node<K,V>[] oldTab = table;
         int oldCap = (oldTab == null) ? 0 : oldTab.length;
         int oldThr = threshold;
         int newCap, newThr = 0;
         if (oldCap > 0) {//数组不为空
             if (oldCap >= MAXIMUM_CAPACITY) { //当前长度超过MAXIMUM_CAPACITY，新增阈值为Integer.MAX_VALUE
                 threshold = Integer.MAX_VALUE;
                 return oldTab;
            }
            else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
                     oldCap >= DEFAULT_INITIAL_CAPACITY) //进行2倍扩容，如果当前长度超过初始16，新增阈值也做2倍扩容
                newThr = oldThr << 1; // double threshold
        }
        else if (oldThr > 0) // 数组为空，指定了新增阈值
            newCap = oldThr;
        else { //数组为空，未指定新增阈值，采用默认初始大小和加载因子，新增阈值为16*0.75=12
            newCap = DEFAULT_INITIAL_CAPACITY;
            newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
        }
        if (newThr == 0) { //按照给定的初始大小计算扩容后的新增阈值
            float ft = (float)newCap * loadFactor;
            newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                      (int)ft : Integer.MAX_VALUE);
        }
        threshold = newThr; //扩容后的新增阈值
        @SuppressWarnings({"rawtypes","unchecked"})
            Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap]; //扩容后的数组
        table = newTab;
        if (oldTab != null) {  //将原数组中元素放入扩容后的数组中
            for (int j = 0; j < oldCap; ++j) {
                Node<K,V> e;
                if ((e = oldTab[j]) != null) {
                    oldTab[j] = null;
                    if (e.next == null) //无后继节点，则直接计算在新数组中位置，放入即可
                        newTab[e.hash & (newCap - 1)] = e;
                    else if (e instanceof TreeNode) //为树节点需要拆分
                        ((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
                    else { //有后继节点，且为单链表，将原数组中单链表元素进行拆分，一部分在原索引位置，一部分在原索引+原数组长度
                        Node<K,V> loHead = null, loTail = null; //保存在原索引的链表
                        Node<K,V> hiHead = null, hiTail = null; //保存在新索引的链表
                        Node<K,V> next;
                        do {
                            next = e.next;
                            if ((e.hash & oldCap) == 0) { //哈希值和原数组长度进行&操作，为0则在原数组的索引位置，非0则在原数组索引位置+原数组长度的新位置
                                if (loTail == null)
                                    loHead = e;
                                else
                                    loTail.next = e;
                                loTail = e;
                            }
                            else {
                                if (hiTail == null)
                                    hiHead = e;
                                else
                                    hiTail.next = e;
                                hiTail = e;
                            }
                        } while ((e = next) != null);
                        if (loTail != null) {
                            loTail.next = null;
                            newTab[j] = loHead;
                        }
                        if (hiTail != null) {
                            hiTail.next = null;
                            newTab[j + oldCap] = hiHead;
                        }
                    }
                }
            }
        }
        return newTab;
    }

2、流程图：

2.1 首次调用扩容方法：

![70 5][]

图注:首次调用扩容方法

2.2 示例：

情况一：

1.  使用无参构造函数：

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

1.  put元素，发现table为null，调用resize扩容方法：

int oldCap = (oldTab == null) ? 0 : oldTab.length;
    int oldThr = threshold;

1.  oldCap为0，oldThr为0，执行resize()里的该分支：

newCap = DEFAULT_INITIAL_CAPACITY;
    newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
    threshold = newThr;
    @SuppressWarnings({"rawtypes","unchecked"})
        Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
    table = newTab;

1.  newCap为16，newThr为12，也就是说HashMap默认数组长度为16，元素添加阈值为12。
2.  threshold为12。创建大小为16的数组，赋值给table。

情况二：

1.  使用有参构造函数：

HashMap<String, Integer> hashMap = new HashMap<>(7);

1.  oldCap为0，oldThr为8，执行resize()里的该分支：

else if (oldThr > 0) // initial capacity was placed in threshold
        newCap = oldThr;

1.  newCap为8，newThr为0，执行resize()里的该分支：

if (newThr == 0) {
        float ft = (float)newCap * loadFactor;
        newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                  (int)ft : Integer.MAX_VALUE);
    }
    threshold = newThr;
    @SuppressWarnings({"rawtypes","unchecked"})
        Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
    table = newTab;

1.  threshold为6。创建大小为8的数组，赋值给table。

2.3 非首次调用扩容方法：

![70 6][]

图注:非首次调用扩容方法

2.4 示例：

接着2.2里的情况二，继续添加元素，直到扩容：

1.  oldCap为8，oldThr为6，执行resize()里的该分支：

if (oldCap > 0) {
        if (oldCap >= MAXIMUM_CAPACITY) {
            threshold = Integer.MAX_VALUE;
            return oldTab;
        }
        else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
                 oldCap >= DEFAULT_INITIAL_CAPACITY)
            newThr = oldThr << 1; // double threshold
    }

1.  oldCap小于MAXIMUM\_CAPACITY，进行2倍扩容，newCap为16。oldCap小于DEFAULT\_INITIAL\_CAPACITY，不做newThr的扩容，为0，执行resize()里的该分支：

if (newThr == 0) {
         float ft = (float)newCap * loadFactor;
         newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                   (int)ft : Integer.MAX_VALUE);
     }
     threshold = newThr;
     @SuppressWarnings({"rawtypes","unchecked"})
         Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
     table = newTab;
    ..........省略.......//将原数组元素存入新数组中

1.  因为newCap小于MAXIMUM\_CAPACITY ，ft为newCap\*加载因子为12，threshold为12。创建大小为16的数组，赋值给table，并将原数组元素放入新数组中。

继续添加元素，直到扩容：

1.  oldCap为16，oldThr为12，执行resize()里的该分支：

1.  oldCap小于MAXIMUM\_CAPACITY，将数组长度进行2倍扩容，newCap为32。oldCap>=DEFAULT\_INITIAL\_CAPACITY，将添加元素的阈值也进行2倍扩容，注意此时不再用加载因子去计算阈值，而是随着数组长度进行相应的2倍扩容，threshold为24。
2.  创建大小为32的数组，赋值给table，并将原数组元素放入新数组中。

threshold = newThr;
    @SuppressWarnings({"rawtypes","unchecked"})
        Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
    table = newTab;
    ..........省略.......//将原数组元素存入新数组中

继续添加元素，扩容到数组长度等于MAXIMUM\_CAPACITY：

1.  oldCap为MAXIMUM\_CAPACITY，执行resize()里的该分支：

1.  因为oldCap等于MAXIMUM\_CAPACITY，threshold设置为 Integer.MAX\_VALUE，不再扩容，直接返回原数组。此时继续添加元素，Integer.MAX\_VALUE+1=Integer.MIN\_VALUE，不再大于threshold，则不再进行扩容操作了。

###  树化操作 ###

1、源码：

将原本的单链表转化为双向链表，再遍历这个双向链表转化为红黑树：

final void treeifyBin(Node<K,V>[] tab, int hash) {
         int n, index; Node<K,V> e;
         //树形化还有一个要求就是数组长度必须大于等于64，否则继续采用扩容策略
         if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY)
             resize();
         else if ((e = tab[index = (n - 1) & hash]) != null) {
             TreeNode<K,V> hd = null, tl = null;//hd指向首节点，tl指向尾节点
             do {
                 TreeNode<K,V> p = replacementTreeNode(e, null);//将链表节点转化为红黑树节点
                if (tl == null) // 如果尾节点为空，说明还没有首节点
                    hd = p;  // 当前节点作为首节点
                else { // 尾节点不为空，构造一个双向链表结构，将当前节点追加到双向链表的末尾
                    p.prev = tl; // 当前树节点的前一个节点指向尾节点
                    tl.next = p; // 尾节点的后一个节点指向当前节点
                }
                tl = p; // 把当前节点设为尾节点
            } while ((e = e.next) != null); // 继续遍历单链表
            //将原本的单链表转化为一个节点类型为TreeNode的双向链表
            if ((tab[index] = hd) != null) // 把转换后的双向链表，替换数组原来位置上的单向链表
                hd.treeify(tab); // 将当前双向链表树形化
        }
    }

将双向链表转化为红黑树的具体实现：

final void treeify(Node<K,V>[] tab) {
         TreeNode<K,V> root = null;  // 定义红黑树的根节点
         for (TreeNode<K,V> x = this, next; x != null; x = next) { // 从TreeNode双向链表的头节点开始逐个遍历
            next = (TreeNode<K,V>)x.next; // 头节点的后继节点
            x.left = x.right = null;
            if (root == null) {
                x.parent = null;
                x.red = false;
                root = x; // 头节点作为红黑树的根，设置为黑色
            }
            else { // 红黑树存在根节点
                K k = x.key; 
                int h = x.hash;
                Class<?> kc = null;
                for (TreeNode<K,V> p = root;;) { // 从根开始遍历整个红黑树
                    int dir, ph;
                    K pk = p.key;
                    if ((ph = p.hash) > h) // 当前红黑树节点p的hash值大于双向链表节点x的哈希值
                        dir = -1;
                    else if (ph < h) // 当前红黑树节点的hash值小于双向链表节点x的哈希值
                        dir = 1;
                    else if ((kc == null &&
                              (kc = comparableClassFor(k)) == null) ||
                             (dir = compareComparables(kc, k, pk)) == 0) // 当前红黑树节点的hash值等于双向链表节点x的哈希值，则如果key值采用比较器一致则比较key值
                        dir = tieBreakOrder(k, pk); //如果key值也一致则比较className和identityHashCode
    
                    TreeNode<K,V> xp = p; 
                    if ((p = (dir <= 0) ? p.left : p.right) == null) { // 如果当前红黑树节点p是叶子节点，那么双向链表节点x就找到了插入的位置
                        x.parent = xp;
                        if (dir <= 0) //根据dir的值，插入到p的左孩子或者右孩子
                            xp.left = x;
                        else
                            xp.right = x;
                        root = balanceInsertion(root, x); //红黑树中插入元素，需要进行平衡调整(过程和TreeMap调整逻辑一模一样)
                        break;
                    }
                }
            }
        }
        //将TreeNode双向链表转化为红黑树结构之后，由于红黑树是基于根节点进行查找，所以必须将红黑树的根节点作为数组当前位置的元素
        moveRootToFront(tab, root);
    }

将红黑树的根节点移动到数组的索引所在位置上：

static <K,V> void moveRootToFront(Node<K,V>[] tab, TreeNode<K,V> root) {
         int n;
         if (root != null && tab != null && (n = tab.length) > 0) {
             int index = (n - 1) & root.hash; //找到红黑树根节点在数组中的位置
             TreeNode<K,V> first = (TreeNode<K,V>)tab[index]; //获取当前数组中该位置的元素
             if (root != first) { //红黑树根节点不是数组当前位置的元素
                 Node<K,V> rn;
                 tab[index] = root;
                 TreeNode<K,V> rp = root.prev;
               if ((rn = root.next) != null) //将红黑树根节点前后节点相连
                    ((TreeNode<K,V>)rn).prev = rp;
                if (rp != null)
                    rp.next = rn;
                if (first != null) //将数组当前位置的元素，作为红黑树根节点的后继节点
                    first.prev = root;
                root.next = first;
                root.prev = null;
            }
            assert checkInvariants(root);
        }
    }

### 红黑树插入 ###

1、源码：

final TreeNode<K,V> putTreeVal(HashMap<K,V> map, Node<K,V>[] tab,
                                    int h, K k, V v) {
         Class<?> kc = null;
         boolean searched = false;
         TreeNode<K,V> root = (parent != null) ? root() : this;
         for (TreeNode<K,V> p = root;;) {
             int dir, ph; K pk;
             if ((ph = p.hash) > h)//进行哈希值的比较
                 dir = -1;
            else if (ph < h)
                dir = 1;
            else if ((pk = p.key) == k || (k != null && k.equals(pk)))
                return p;
            else if ((kc == null &&
                      (kc = comparableClassFor(k)) == null) ||
                     (dir = compareComparables(kc, k, pk)) == 0) {//hash值相同，则按照key进行比较
                if (!searched) {
                    TreeNode<K,V> q, ch;
                    searched = true;
                    if (((ch = p.left) != null &&
                         (q = ch.find(h, k, kc)) != null) ||//去左子树中查找哈希值相同，key相同的节点
                        ((ch = p.right) != null &&
                         (q = ch.find(h, k, kc)) != null))//去右子树中查找哈希值相同，key相同的节点
                        return q;
                }
                dir = tieBreakOrder(k, pk);//通过比较k与pk的hashcode
            }
    
            TreeNode<K,V> xp = p;
            if ((p = (dir <= 0) ? p.left : p.right) == null) {//找到红黑树合适的位置插入
                Node<K,V> xpn = xp.next;
                TreeNode<K,V> x = map.newTreeNode(h, k, v, xpn);
                if (dir <= 0) //插入到左节点或者右节点
                    xp.left = x;
                else
                    xp.right = x;
                xp.next = x;//插入到双向链表合适的位置
                x.parent = x.prev = xp;
                if (xpn != null)
                    ((TreeNode<K,V>)xpn).prev = x;
                moveRootToFront(tab, balanceInsertion(root, x));//做插入后的平衡调整 将平衡后的红黑树节点作为数组该位置的元素
                return null;
            }
        }
    }

2、说明:

当hash冲突时，单链表元素个数超过树化阈值(TREEIFY\_THRESHOLD)后，转化为红黑树存储。之后再继续冲突，则就变成往红黑树中插入元素了。关于红黑树插入元素，请看我之前写的文章：[TreeMap之元素插入][TreeMap]

### 红黑树拆分 ###

1、源码：

将红黑树按照扩容后的数组，重新计算索引位置，并且拆分后的红黑树还需要判断个数，从而决定是做去树化操作还是树化操作：

final void split(HashMap<K,V> map, Node<K,V>[] tab, int index, int bit) {
         TreeNode<K,V> b = this;
         // Relink into lo and hi lists, preserving order
         TreeNode<K,V> loHead = null, loTail = null; //保存在原索引的红黑树
         TreeNode<K,V> hiHead = null, hiTail = null; //保存在新索引的红黑树
         int lc = 0, hc = 0;
         for (TreeNode<K,V> e = b, next; e != null; e = next) {
             next = (TreeNode<K,V>)e.next;
             e.next = null;
            if ((e.hash & bit) == 0) { //哈希值和原数组长度进行&操作，为0则在原数组的索引位置，非0则在原数组索引位置+原数组长度的新位置
                if ((e.prev = loTail) == null)
                    loHead = e;
                else
                    loTail.next = e;
                loTail = e;
                ++lc;
            }
            else {
                if ((e.prev = hiTail) == null)
                    hiHead = e;
                else
                    hiTail.next = e;
                hiTail = e;
                ++hc;
            }
        }
    
        if (loHead != null) {
           if (lc <= UNTREEIFY_THRESHOLD) //当红黑树的节点不大于去树化阈值，则将原索引处的红黑树进行去树化操作
                tab[index] = loHead.untreeify(map); //红黑树根节点作为原索引处的元素  
            else { //当红黑树的节点大于去树化阈值，则将原索引处的红黑树进行树化操作
                tab[index] = loHead;
                if (hiHead != null) // (else is already treeified)
                    loHead.treeify(tab);
            }
        }
        if (hiHead != null) {
            if (hc <= UNTREEIFY_THRESHOLD) //当红黑树的节点不大于去树化阈值，则将新索引处的红黑树进行去树化操作
                tab[index + bit] = hiHead.untreeify(map); //红黑树根节点作为新索引处的元素
            else { //当红黑树的节点大于去树化阈值，则将新索引处的红黑树进行树化操作
                tab[index + bit] = hiHead;
                if (loHead != null)
                    hiHead.treeify(tab);
            }
        }
    }

### 去树化操作 ###

1、源码：

遍历红黑树，还原成单链表结构：

final Node<K,V> untreeify(HashMap<K,V> map) {
        Node<K,V> hd = null, tl = null;
        for (Node<K,V> q = this; q != null; q = q.next) {  //遍历红黑树，依次将TreeNode转化为Node，还原成单链表形式
             Node<K,V> p = map.replacementNode(q, null);
             if (tl == null)
                 hd = p;
             else
                 tl.next = p;
             tl = p;
        }
        return hd;
    }

### 综合示例 ###

1、代码：

//插入38个元素，无hash冲突，依次存入索引0~37的位置
     HashMap<Integer, Integer> hashMap = new HashMap<>(64);
     for(int i=0; i<38; i++){
         hashMap.put(i, i);
     }
     //依次插入64、128、182、256、320、384，448，索引位置为0，出现hash冲突，往单链表中插入
     for (int i=1; i <= 7; i++) {
         hashMap.put(64*i, 64*i);
     }
    //插入512，hash冲突，往单链表中插入。此时单链表个数大于TREEIFY_THRESHOLD，将单链表转化为红黑树
    hashMap.put(64*8, 64*8);
    //插入576，hash冲突，往红黑树中插入
    hashMap.put(64*9, 64*9);
    //hash不冲突，保存到数组索引为38的位置，此时总元素个数为48，新增阈值为48，不做处理。
    hashMap.put(38, 38);
    //hash不冲突，保存到数组索引为39的位置，此时总元素个数为49，新增阈值为48，扩容！！！
    hashMap.put(39, 39);

2、内部实现过程：

![70 7][]

![70 8][]

![70 9][]

![70 10][]

![70 11][]

![70 12][]

![70 13][] ![70 14][]

![70 15][]

![70 16][]

### **HashMap和HashTable、TreeMap的区别** ###

1.**HashTable****的方法是同步的**，在方法的前面都有synchronized来同步，**HashMap****未经同步**，所以在多线程场合要手动同步

2.**HashTable****不允许****null****值**(key和value都不可以) ,**HashMap****允许****null****值**(key和value都可以)。通常情况下，HashMap 进行 put 或者 get 操作，可以达到常数时间的性能，所以**它是绝大部分利用键值对存取场景的首选**，比如，实现一个用户 ID 和用户信息对应的运行时存储结构。

3.HashTable有一个contains(Object value)功能和containsValue(Object value)功能一样。

4.HashTable使用Enumeration进行遍历，HashMap使用Iterator进行遍历。

5.HashTable中hash数组默认大小是11，增加的方式是 old\*2+1。HashMap中hash数组的默认大小是16，而且一定是2的指数。

6.哈希值的使用不同，HashTable直接使用对象的hashCode，代码是这样的：

int hash = key.hashCode();
    int index = (hash & 0x7FFFFFFF) % tab.length;

而HashMap重新计算hash值，而且用与代替求模：

int hash = hash(k);
    int i = indexFor(hash, table.length);
    static int hash(Object x) {
    h ^= (h >>> 20) ^ (h >>> 12);
         return h ^ (h >>> 7) ^ (h >>> 4);
    }
    static int indexFor(int h, int length) {
    return h & (length-1);
    }

7．TreeMap 则是基于红黑树的一种提供顺序访问的 Map，和 HashMap 不同，它的 get、put、remove 之类操作都是 O（log(n)）的时间复杂度，具体顺序可以由指定的 Comparator 来决定，或者根据键的自然顺序来判断。

### **HashMap与HashSet的关系** ###

1、HashSet底层是采用HashMap实现的：

public HashSet() {
        map = new HashMap<E,Object>();
    }

2、调用HashSet的add方法时，实际上是向HashMap中增加了一行(key-value对)，该行的key就是向HashSet增加的那个对象，该行的value就是一个Object类型的常量。

private static final Object PRESENT = new Object(); public boolean add(E e) {
        return map.put(e, PRESENT)==null;
    ｝
    
    public boolean remove(Object o) {
        return map.remove(o)==PRESENT;
    ｝

### **HashMap 和 ConcurrentHashMap 的关系** ###

关于这部分内容建议自己去翻翻源码，`ConcurrentHashMap` 也是一种线程安全的集合类，他和`HashTable`也是有区别的，主要区别就是加锁的粒度以及如何加锁，`ConcurrentHashMap` 的加锁粒度要比`HashTable`更细一点。将数据分成一段一段的存储，然后给每一段数据配一把锁，当一个线程占用锁访问其中一个段数据的时候，其他段的数据也能被其他线程访问。

### 参考： ###

[https://blog.csdn.net/w372426096/article/details/80521584][https_blog.csdn.net_w372426096_article_details_80521584]（必看）

[HashMap中概念：https://blog.csdn.net/w372426096/article/details/80521653][HashMap_https_blog.csdn.net_w372426096_article_details_80521653]

HashMap容量的初始化：[https://blog.csdn.net/w372426096/article/details/80522028][https_blog.csdn.net_w372426096_article_details_80522028]（必看）

hash()分析的最透彻的文章：[https://blog.csdn.net/w372426096/article/details/81948686][https_blog.csdn.net_w372426096_article_details_81948686]（必看）

[https_static001.geekbang.org_resource_image_26_7c_266cfaab2573c9777b1157816784727c.png]: /images/20220512/5cf08b27b4984bdf82cb59ab2558744a.png
[70]: /images/20220512/fe28da2f0377431eb9baa78cabf24c8b.png
[70 1]: /images/20220512/84a6d6691c2e43d4b77c05505053de47.png
[70 2]: /images/20220512/58d2a5e1066f45548b9596254da71309.png
[70 3]: /images/20220512/f9056085b348460a9c10c6a113942cf1.png
[70 4]: /images/20220512/50a8b1c4a0ba4ee5a0750782b327291c.png
[70 5]: /images/20220512/3186e2d41a47429fb5bad4977c28d912.png
[70 6]: /images/20220512/50ecbba524074ee9844ab776724fa0d4.png
[TreeMap]: https://mp.weixin.qq.com/s?__biz=MzIzNjA2NzczMA==&mid=2247483764&idx=1&sn=88b6f507647acd4abea2a81a2cea9285&scene=21#wechat_redirect
[70 7]: /images/20220512/ccee63b8d3f74ed89df81c5b95e1121d.png
[70 8]: /images/20220512/5173e93a477c4110971dddcba5e8bf2f.png
[70 9]: /images/20220512/7dd2a1b69fc74a36bba8e338dd0ad34c.png
[70 10]: /images/20220512/f0c76ab605b2422d88bff79601f2488e.png
[70 11]: /images/20220512/45911de242da4d6ba2c30732ae01b7cf.png
[70 12]: /images/20220512/c1b10ac3d1c34660827b1390461da043.png
[70 13]: https://img-blog.csdn.net/20180917113220279?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3czNzI0MjYwOTY=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70
[70 14]: /images/20220512/cbcfe9254ffb4d44ac934846e89b335a.png
[70 15]: /images/20220512/760abad9d24b45bda82ea667cb697ec2.png
[70 16]: /images/20220512/bbed94bda7044766b9ebeeaf6e0822df.png
[https_blog.csdn.net_w372426096_article_details_80521584]: https://blog.csdn.net/w372426096/article/details/80521584
[HashMap_https_blog.csdn.net_w372426096_article_details_80521653]: https://blog.csdn.net/w372426096/article/details/80521653
[https_blog.csdn.net_w372426096_article_details_80522028]: https://blog.csdn.net/w372426096/article/details/80522028
[https_blog.csdn.net_w372426096_article_details_81948686]: https://blog.csdn.net/w372426096/article/details/81948686