深入分析HaspMap源码

た入场券 2022-08-21 08:42 235阅读 0赞

### 1.分析HaspMap的构造器 ###

前面分析HashMap的put(K key,V value)源码的时候发现，其中有两个特殊的变量:

>  *  size:该变量保存了该HashMap中所包含的key-value对的数量。
>  *  threshold：该变量包含了HashMap能容纳的key-value对的极限，它的值等于HashMap的容量乘以负载因子(load factor)。

在HashMap的addEntry方法中，当size++>=threshold时。HashMap会自动调用resize方法扩充HashMap的容量。但每扩充一次，HashMap的容量就增大一倍。

HashMap源码中存在一个就table的数组。这个数组的长度其实就是HashMap的容量。HashMap包含如下几个构造器:

>  *  HashMap() 初始容量为16。负载因子为0.75的HashMap。
>  *  HashMap(int initialCapacity) 构建一个初始容量为 initialCapacity，负载因子为0.75的HashMap
>  *  HashMap(int initialCapacity,float loadFactor) 构建指定初始容量和负载因子的HashMap

当创建一个HasMap时，系统会自动创建一个table数组来保存HashMap中的Entry。  
观察构造器的源码:

//以指定初始化容量，负载因子创建HashMap
      public HashMap(int initialCapacity, float loadFactor) {
      //初始容量不能为负数
            if (initialCapacity < 0)
                throw new IllegalArgumentException("Illegal initial capacity: " +
                                                   initialCapacity);
            //初始容量不能太大
            if (initialCapacity > MAXIMUM_CAPACITY)
                initialCapacity = MAXIMUM_CAPACITY;
            //负载因子必须大于0
            if (loadFactor <= 0 || Float.isNaN(loadFactor))
                throw new IllegalArgumentException("Illegal load factor: " +
                                                   loadFactor);
        //计算出大于initialCapacity的最小的2的n次方值
        int capacity = 1;
        while(capacity<initialCapacity)
          capacity<<=1;
           this.loadFacotor = loadFactor;
           //设置容量极限等于容量乘以负载因子
           threshold = (int)(capacity * loadFactor);
           //初始化table数组
           table = new Entry(capacity);
           init();
        }

注意观察下面这两段代码:

int capacity = 1;
        while(capacity<initialCapacity)
          capacity<<=1;

**找出大于initialCapacity的，最小的2的n次方值，并将其作为HashMap的实际容量。例如给定initialCapacity为10，那么HashMap的实际容量就是16。通常来说，HaspMap最后的实际容量通常比initialCapacity大一点，除非它刚好是2的n次方，所以我们在创建HaspMap需要指定容量时指定为2的n次方可以减少不必要的开销。**

补充:

`<<` 把数据向左移动。移除的删除，右边用0补齐 相当于乘以2的移动次幂  
`>>` 把数据向右移动。移除的删除 ，左边用最高位补齐 相当于除以2的移动次幂

### 2.HashMap根据key取出value ###

对于HashMap及其子类而言，它们采用Hash算法来决定集合中元素的存储位置。当系统开始初始化HashMap时，系统会创建一个长度为Capacity的Entry的数组。这个数组里可以存储元素的位置被称为”桶(bucket)”，每个bucket都有其特定的索引，系统可以根据其索引快速访问该bucket里存储的元素。

一般情况下，bucket里存储的是单个Entry，但也有会生成Entry链的情况(即两个key的hash值相同但equals返回false)。当bucket里面存储的是单个Entry，此时HaspMap性能最好。当程序需要根据key取出value时，只需要计算出key的hash值，再根据该hash值找出key在table数组中的索引，然后取出该索引处的Entry，最后返回该Entry的value即可。下面我们来看HashMapget(K key)的源码:

public V get(Object key) {
    //如果key是null。调用getForNullKey
        if (key == null)
            return getForNullKey();
            //计算key的hash值
            int hash = hash(key.hashCode());
            //直接取出table数组中的指定索引处的值
            for (Entry<K,V> e = table[indexFor(hash, table.length)];
                 e != null;
                 //搜索下一个Entry
                 e = e.next) {
                Object k;
                //如果该Entry的key与被搜索key相同
                if (e.hash == hash && ((k = e.key) == key || key.equals(k)))
                    return e.value;
            }
            return null;
        }

从上面代码可以看出，当HashMap的每个bucket里只有一个Entry，HaspMap可以快速从bucket里取出Entry。在发生”Hash冲突”的情况下，单个bucket里存储的不是一个Entry，而是Entry链，此时系统只能通过遍历每个Entry，直到找到搜索的Entry为止。

总结一下:

>  *  HaspMap在底层把一个KEy-Value当成一个整体Entry对象来处理。
>  *  HaspMap底层通过一个Entry\[\]数组来保存所有的key-value对。
>  *  对于每一个要存储的key-value，系统通过Hash算法确定其存储位置。
>  *  当需要取出一个Entry时，也会根据Hash值来找到其在数组中存储位置

**再谈负载因子loadFactor**:

HaspMap有一个默认的负载因子值0.75。这是时间和空间成本上的一种折衷:

>  *  增大负载因子可以减少Hash表(就是那个Entry\[\]数组)所占用内存空间，但会增大查询数据的时间开销，而查询是最频繁的操作(HashMap的get()和put()都要查询)
>  *  减少负载因子可以会提高数据查询的性能，但会增加Hash表所占用的内存空间。

现在我们合理的调整负载因子的值了。如果程序比较关心内存的开销，适当增加负载因子。如果比较关心时间开销，则适当减小负载因子，其实大部分情况下保持负载因子默认的0.75即可。

**多线程环境下，使用HashMap进行put操作引起的问题分析**

在多线程的环境下，多个线程对HashMap数据进行put操作时会导致死循环。而造成这个原因的罪魁祸首就是因为HashMap的自动扩容机制。

我们来观察HashMap的put过程

public V put(K key, V value) {  
                if (table == EMPTY_TABLE) {  
                    inflateTable(threshold);  
                } 
                //当key为null，调用putForNullKey来处理 
                if (key == null)  
                    return putForNullKey(value);  
                    //根据key的hashCode计算hash值
                int hash = hash(key);  
                //搜索制定hash值在对于table中的索引
                int i = indexFor(hash, table.length);
                //如果i处索引不为null。则通过循环不断遍历e元素的下一个元素  
                for (Entry<K,V> e = table[i]; e != null; e = e.next) {  
                    Object k;  
                    //找到指定key与需要放入key相等(即两者hash值相同，equals返回true)
                    if (e.hash == hash && ((k = e.key) == key || key.equals(k))) {  
                        V oldValue = e.value;  
                        e.value = value;  
                        e.recordAccess(this);  
                        return oldValue;  
                    }  
                }  
          //如果i索引处的entry为null。表明此次没有entry。直接插入在此次即可
                modCount++;  
          //添加key，value到索引i处
                addEntry(hash, key, value, i);  
                return null;  
            }

现在我们可以看出:当程序试图将一个key-value对放入HashMap中时，首先根据key的hashCode()返回值决定该Entry的存储位置，如果两个key的hash值相同，那么它们的存储位置相同。如果这个两个key的equalus比较返回true。那么新添加的Entry的value会覆盖原来的Entry的value，key不会覆盖。如果这两个equals返回false，那么这两个Entry会形成一个Entry链，并且新添加的Entry位于Entry链的头部。

观察`addEntry(hash, key, value, i);`源码:

void addEntry(int hash, K key, V value, int bucketIndex) {  
             //获取指定bucketIndex处的Entry
            Entry<K,V> e = table[bucketIndex];
            //将新创建的Entry放入bucketIndex索引处，并让新Entry指向原来的Entry  
            table[bucketIndex] = new Entry<K,V>(hash, key, value, e);  
           //如果Map中的key-value对的数量超过了极限
           if(size++>=threshold){
           //扩充table对象的长度到2倍
            resize(2*table.length);
            }
        }

现在我们看罪魁祸首的resize方法的源码:

void resize(int newCapacity)
    {
        Entry[] oldTable = table;
        int oldCapacity = oldTable.length;
        ......
        //创建一个新的Hash Table
        Entry[] newTable = new Entry[newCapacity];
        //复制旧数据到新数组中:
        transfer(newTable);
        table = newTable;
        threshold = (int)(newCapacity * loadFactor);
    }

复制旧数据到新数组中源码:

void transfer(Entry[] newTable)
    {
        Entry[] src = table;
        int newCapacity = newTable.length;
        for (int j = 0; j < src.length; j++) {
            Entry<K,V> e = src[j];
            if (e != null) {
                src[j] = null;
                do {
                    Entry<K,V> next = e.next;
                    int i = indexFor(e.hash, newCapacity);
                    e.next = newTable[i];
                    newTable[i] = e;
                    e = next;
                } while (e != null);
            }
        }
    }

画了个图做了个演示。

>  *  我假设了我们的hash算法就是简单的用key mod 一下表的大小（也就是数组的长度）。
>  *  最上面的是old hash 表，其中的Hash表的size=2, 所以key = 3, 7, 5，在mod 2以后都冲突在table\[1\]这里了。
>  *  接下来的三个步骤是Hash表 resize成4，然后所有的`<key,value>` 重新rehash的过程

![这里写图片描述][20160827175210294]

**多线程下的rehash:**

1）假设我们有两个线程。我用红色和浅蓝色标注了一下。

我们再回头看一下我们的 transfer代码中的这个细节：

do {
        Entry<K,V> next = e.next; // <--假设线程一执行到这里就被调度挂起了
        int i = indexFor(e.hash, newCapacity);
        e.next = newTable[i];
        newTable[i] = e;
        e = next;
    } while (e != null);

而我们的线程二执行完成了。于是我们有下面的这个样子。

![这里写图片描述][20160827175300233]

注意，因为Thread1的 e 指向了key(3)，而next指向了key(7)，其在线程二rehash后，指向了线程二重组后的链表。我们可以看到链表的顺序被反转后。

2）线程一被调度回来执行。

先是执行 newTalbe\[i\] = e;  
然后是e = next，导致了e指向了key(7)，  
而下一次循环的next = e.next导致了next指向了key(3)

![这里写图片描述][20160827175638383]

3）一切安好。

线程一接着工作。把key(7)摘下来，放到newTable\[i\]的第一个，然后把e和next往下移。

![这里写图片描述][20160827175757333]

4）环形链接出现。

e.next = newTable\[i\] 导致 key(3).next 指向了 key(7)

注意：此时的key(7).next 已经指向了key(3)， 环形链表就这样出现了。

![这里写图片描述][20160827175905694]

于是，悲剧出现了。next不为null。陷入while死循环。

参考:[http://coolshell.cn/articles/9606.html][http_coolshell.cn_articles_9606.html]

[20160827175210294]: /images/20220724/5fe1da8e0d3a4c0e923c43e96a46bd92.png
[20160827175300233]: /images/20220724/a2c3cee4a98449ab84953a7b40b097ff.png
[20160827175638383]: /images/20220724/14ebde8a77cd4e1c962a8f46560cd647.png
[20160827175757333]: /images/20220724/4764596db83b43f7990d3da4d5e5f882.png
[20160827175905694]: /images/20220724/90894cb6f96f4844bf8eab510d53992c.png
[http_coolshell.cn_articles_9606.html]: http://coolshell.cn/articles/9606.html