ConcurrentHashMap底层实现原理(JDK1.7 & 1.8)

叁歲伎倆 2023-01-01 03:39 159阅读 0赞

## 前言 ##

我们都知道HashMap在多线程情况下，在put的时候，插入的元素超过了容量（由负载因子决定）的范围就会触发扩容操作，就是rehash，这个会重新将原数组的内容重新hash到新的扩容数组中，在多线程的环境下，存在同时其他的元素也在进行put操作，如果hash值相同，可能出现同时在同一数组下用链表表示，造成闭环，导致在get时会出现死循环，所以HashMap是线程不安全的。

我们来了解另一个键值存储集合HashTable，它是线程安全的，它在所有涉及到多线程操作的都加上了synchronized关键字来锁住整个table，这就意味着所有的线程都在竞争一把锁，在多线程的环境下，它是安全的，但是无疑是效率低下的。

其实HashTable有很多的优化空间，锁住整个table这么粗暴的方法可以变相的柔和点，比如在多线程的环境下，对不同的数据集进行操作时其实根本就不需要去竞争一个锁，因为他们不同hash值，不会因为rehash造成线程不安全，所以互不影响，这就是锁分离技术，将锁的粒度降低，利用多个锁来控制多个小的table

## ConcurrentHashMap ##

### JDK1.7的实现 ###

在JDK1.7版本中，ConcurrentHashMap的数据结构是由一个Segment数组和多个HashEntry组成，如下图所示：

![2107d55e6e38a3ede03ed08f13585a66.png][]

Segment数组的意义就是将一个大的table分割成多个小的table来进行加锁，也就是上面的提到的锁分离技术，而每一个Segment元素存储的是HashEntry数组+链表，这个和HashMap的数据存储结构一样

初始化

ConcurrentHashMap的初始化是会通过位与运算来初始化Segment的大小，用size来表示，如下所示

int size =1;
    while(size < concurrencyLevel) {
    ++a;
    size <<=1;
    }

如上所示，因为size用位于运算来计算（ size <<=1 ），所以Segment的大小取值都是以2的N次方，无关concurrencyLevel的取值，当然concurrencyLevel最大只能用16位的二进制来表示，即65536，换句话说，Segment的大小最多65536个，没有指定concurrencyLevel元素初始化，Segment的大小size默认为16

每一个Segment元素下的HashEntry的初始化也是按照位于运算来计算，用cap来表示，如下所示

int cap =1;
    while(cap < c)
    cap <<=1;

如上所示，HashEntry大小的计算也是2的N次方（cap <<=1）， cap的初始值为1，所以HashEntry最小的容量为2

put操作

对于ConcurrentHashMap的数据插入，这里要进行两次Hash去定位数据的存储位置

static class  Segment<K,V> extends  ReentrantLock implements  Serializable {
    }

从上Segment的继承体系可以看出，Segment实现了ReentrantLock,也就带有锁的功能，当执行put操作时，会进行第一次key的hash来定位Segment的位置，如果该Segment还没有初始化，即通过CAS操作进行赋值，然后进行第二次hash操作，找到相应的HashEntry的位置，这里会利用继承过来的锁的特性，在将数据插入指定的HashEntry位置时（链表的尾端），会通过继承ReentrantLock的tryLock（）方法尝试去获取锁，如果获取成功就直接插入相应的位置，如果已经有线程获取该Segment的锁，那当前线程会以自旋的方式去继续的调用tryLock（）方法去获取锁，超过指定次数就挂起，等待唤醒

get操作

ConcurrentHashMap的get操作跟HashMap类似，只是ConcurrentHashMap第一次需要经过一次hash定位到Segment的位置，然后再hash定位到指定的HashEntry，遍历该HashEntry下的链表进行对比，成功就返回，不成功就返回null

size操作

计算ConcurrentHashMap的元素大小是一个有趣的问题，因为他是并发操作的，就是在你计算size的时候，他还在并发的插入数据，可能会导致你计算出来的size和你实际的size有相差（在你return size的时候，插入了多个数据），要解决这个问题，JDK1.7版本用两种方案

for(;;) {
    
    if(retries++ == RETRIES_BEFORE_LOCK) {
    
    for(int j  =  0    ; j < segments.length; ++j) ensureSegment(j).lock();  // force creation  
    
     }  
    
     sum = 0L;  
    
     size =  0    ;  
    
     overflow =  false    ;  
    
     for  (    int  j =  0    ; j < segments.length; ++j) {  
    
     Segment<K,V> seg = segmentAt(segments, j);  
    
     if  (seg !=  null    ) { sum += seg.modCount;  int  c = seg.count;  if  (c <  0  || (size += c) <  0    )  
    
     overflow =  true    ;  
    
     } }  
    
     if  (sum == last)  break    ;  
    
     last = sum; } }  
    
     finally  {  
    
     if  (retries > RETRIES_BEFORE_LOCK) {  
     for  (    int  j =  0    ; j < segments.length; ++j)  
     segmentAt(segments, j).unlock();  
     }  
     }

1.  第一种方案他会使用不加锁的模式去尝试多次计算ConcurrentHashMap的size，最多三次，比较前后两次计算的结果，结果一致就认为当前没有元素加入，计算的结果是准确的
2.  第二种方案是如果第一种方案不符合，他就会给每个Segment加上锁，然后计算ConcurrentHashMap的size返回

### JDK1.8的实现 ###

JDK1.8的实现已经摒弃了Segment的概念，而是直接用Node数组+链表+红黑树的数据结构来实现，并发控制使用Synchronized和CAS来操作，整个看起来就像是优化过且线程安全的HashMap，虽然在JDK1.8中还能看到Segment的数据结构，但是已经简化了属性，只是为了兼容旧版本

![f41b62254d2a5ef03eb1c019679db053.png][]

说明：ConcurrentHashMap的数据结构（数组+链表+红黑树），桶中的结构可能是链表，也可能是红黑树，红黑树是为了提高查找效率。

在深入JDK1.8的put和get实现之前要知道一些常量设计和数据结构，这些是构成ConcurrentHashMap实现结构的基础，下面看一下基本属性：

// node数组最大容量：2^30=1073741824  
    
      private  static  final  int  MAXIMUM_CAPACITY =  1  <<  30    ;  
    
      // 默认初始值，必须是2的幂数  
    
      private  static  final  int  DEFAULT_CAPACITY =  16    ;  
    
      //数组可能最大值，需要与toArray（）相关方法关联  
    
      static  final  int  MAX_ARRAY_SIZE = Integer.MAX_VALUE -  8    ;  
    
      //并发级别，遗留下来的，为兼容以前的版本  
    
      private  static  final  int  DEFAULT_CONCURRENCY_LEVEL =  16    ;  
    
      // 负载因子  
    
      private  static  final  float  LOAD_FACTOR =  0    .75f;  
    
      // 链表转红黑树阀值,> 8 链表转换为红黑树  
    
      static  final  int  TREEIFY_THRESHOLD =  8    ;  
    
      //树转链表阀值，小于等于6（tranfer时，lc、hc=0两个计数器分别++记录原bin、新binTreeNode数量，<=UNTREEIFY_THRESHOLD 则untreeify(lo)）  
    
      static  final  int  UNTREEIFY_THRESHOLD =  6    ;  
    
      static  final  int  MIN_TREEIFY_CAPACITY =  64    ;  
    
      private  static  final  int  MIN_TRANSFER_STRIDE =  16    ;  
    
      private  static  int  RESIZE_STAMP_BITS =  16    ;  
    
      // 2^15-1，help resize的最大线程数  
    
      private  static  final  int  MAX_RESIZERS = (    1  << (    32  - RESIZE_STAMP_BITS)) -  1    ;  
    
      // 32-16=16，sizeCtl中记录size大小的偏移量  
    
      private  static  final  int  RESIZE_STAMP_SHIFT =  32  - RESIZE_STAMP_BITS;  
    
      // forwarding nodes的hash值  
    
      static  final  int  MOVED     = -    1    ;  
    
      // 树根节点的hash值  
    
      static  final  int  TREEBIN   = -    2    ;  
    
      // ReservationNode的hash值  
    
      static  final  int  RESERVED  = -    3    ;  
    
      // 可用处理器数量  
    
      static  final  int  NCPU = Runtime.getRuntime().availableProcessors();  
    
      //存放node的数组  
    
      transient  volatile  Node<K,V>[] table;  
    
      /*控制标识符，用来控制table的初始化和扩容的操作，不同的值有不同的含义  
    
      *当为负数时：-    1    代表正在初始化，-N代表有N-    1    个线程正在 进行扩容  
    
      *当为    0    时：代表当时的table还没有被初始化  
    
      *当为正数时：表示初始化或者下一次进行扩容的大小  
    */
    
      private  transient  volatile  int  sizeCtl;

基本属性定义了ConcurrentHashMap的一些边界以及操作时的一些控制，下面看一些内部的一些结构组成，这些是整个ConcurrentHashMap整个数据结构的核心

Node

Node是ConcurrentHashMap存储结构的基本单元，继承于HashMap中的Entry，用于存储数据，源代码如下

static  class  Node<K,V>  implements  Map.Entry<K,V> {  
    
      //链表的数据结构  
    
      final  int  hash;  
    
      final  K key;  
    
      //val和next都会在扩容时发生变化，所以加上volatile来保持可见性和禁止重排序  
    
      volatile  V val;  
    
      volatile  Node<K,V> next;  
    
      Node(    int  hash, K key, V val, Node<K,V> next) {  
    
      this    .hash = hash;  
    
      this    .key = key;  
    
      this    .val = val;  
    
      this    .next = next;  
    
      }  
    
      public  final  K getKey()       {  return  key; }  
    
      public  final  V getValue()     {  return  val; }  
    
      public  final  int  hashCode()   {  return  key.hashCode() ^ val.hashCode(); }  
    
      public  final  String toString(){  return  key +  "="  + val; }  
    
      //不允许更新value   
    
      public  final  V setValue(V value) {  
    
      throw  new  UnsupportedOperationException();  
    
      }  
    
      public  final  boolean  equals(Object o) {  
    
      Object k, v, u; Map.Entry<?,?> e;  
    
      return  ((o  instanceof  Map.Entry) &&  
    
      (k = (e = (Map.Entry<?,?>)o).getKey()) !=  null  &&  
    
      (v = e.getValue()) !=  null  &&  
    
      (k == key || k.equals(key)) &&  
    
      (v == (u = val) || v.equals(u)));  
    
      }  
    
      //用于map中的get（）方法，子类重写  
    
      Node<K,V> find(    int  h, Object k) {  
    
      Node<K,V> e =  this    ;  
    
      if  (k !=  null    ) {  
    
      do  {  
    
      K ek;  
    
      if  (e.hash == h &&  
    
      ((ek = e.key) == k || (ek !=  null  && k.equals(ek))))  
    
      return  e;  
    
      }  while  ((e = e.next) !=  null    );  
    
      }  
    
      return  null    ;  
    
      }  
    
      }

Node数据结构很简单，从上可知，就是一个链表，但是只允许对数据进行查找，不允许进行修改

TreeNode

TreeNode继承与Node，但是数据结构换成了二叉树结构，它是红黑树的数据的存储结构，用于红黑树中存储数据，当链表的节点数大于8时会转换成红黑树的结构，他就是通过TreeNode作为存储结构代替Node来转换成黑红树源代码如下

static  final  class  TreeNode<K,V>  extends  Node<K,V> {  
    
      //树形结构的属性定义  
    
      TreeNode<K,V> parent;  // red-black tree links  
    
      TreeNode<K,V> left;  
    
      TreeNode<K,V> right;  
    
      TreeNode<K,V> prev;  // needed to unlink next upon deletion  
    
      boolean  red;  //标志红黑树的红节点  
    
      TreeNode(    int  hash, K key, V val, Node<K,V> next,  
    
      TreeNode<K,V> parent) {  
    
      super    (hash, key, val, next);  
    
      this    .parent = parent;  
    
      }  
    
      Node<K,V> find(    int  h, Object k) {  
    
      return  findTreeNode(h, k,  null    );  
    
      }  
    
      //根据key查找 从根节点开始找出相应的TreeNode，  
    
      final  TreeNode<K,V> findTreeNode(    int  h, Object k, Class<?> kc) {  
    
      if  (k !=  null    ) {  
    
      TreeNode<K,V> p =  this    ;  
    
      do      {  
    
      int  ph, dir; K pk; TreeNode<K,V> q;  
    
      TreeNode<K,V> pl = p.left, pr = p.right;  
    
      if  ((ph = p.hash) > h)  
    
      p = pl;  
    
      else  if  (ph < h)  
    
      p = pr;  
    
      else  if  ((pk = p.key) == k || (pk !=  null  && k.equals(pk)))  
    
      return  p;  
    
      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;  
    
      else  if  ((q = pr.findTreeNode(h, k, kc)) !=  null    )  
    
      return  q;  
    
      else  
    
      p = pl;  
    
      }  while  (p !=  null    );  
    
      }  
    
      return  null    ;  
    
      }  
    
      }

TreeBin

TreeBin从字面含义中可以理解为存储树形结构的容器，而树形结构就是指TreeNode，所以TreeBin就是封装TreeNode的容器，它提供转换黑红树的一些条件和锁的控制，部分源码结构如下

static  final  class  TreeBin<K,V>  extends  Node<K,V> {  
    
      //指向TreeNode列表和根节点  
    
      TreeNode<K,V> root;  
    
      volatile  TreeNode<K,V> first;  
    
      volatile  Thread waiter;  
    
      volatile  int  lockState;  
    
      // 读写锁状态  
    
      static  final  int  WRITER =  1    ;  // 获取写锁的状态  
    
      static  final  int  WAITER =  2    ;  // 等待写锁的状态  
    
      static  final  int  READER =  4    ;  // 增加数据时读锁的状态  
    
      /**  
    
      * 初始化红黑树  
    
      */  
    
      TreeBin(TreeNode<K,V> b) {  
    
      super    (TREEBIN,  null    ,  null    ,  null    );  
    
      this    .first = b;  
    
      TreeNode<K,V> r =  null    ;  
    
      for  (TreeNode<K,V> x = b, next; x !=  null    ; x = next) {  
    
      next = (TreeNode<K,V>)x.next;  
    
      x.left = x.right =  null    ;  
    
      if  (r ==  null    ) {  
    
      x.parent =  null    ;  
    
      x.red =  false    ;  
    
      r = x;  
    
      }  
    
      else  {  
    
      K k = x.key;  
    
      int  h = x.hash;  
    
      Class<?> kc =  null    ;  
    
      for  (TreeNode<K,V> p = r;;) {  
    
      int  dir, ph;  
    
      K pk = p.key;  
    
      if  ((ph = p.hash) > h)  
    
      dir = -    1    ;  
    
      else  if  (ph < h)  
    
      dir =  1    ;  
    
      else  if  ((kc ==  null  &&  
    
      (kc = comparableClassFor(k)) ==  null    ) ||  
    
      (dir = compareComparables(kc, k, pk)) ==  0    )  
    
      dir = tieBreakOrder(k, pk);  
    
      TreeNode<K,V> xp = p;  
    
      if  ((p = (dir <=  0    ) ? p.left : p.right) ==  null    ) {  
    
      x.parent = xp;  
    
      if  (dir <=  0    )  
    
      xp.left = x;  
    
      else  
    
      xp.right = x;  
    
      r = balanceInsertion(r, x);  
    
      break    ;  
    
      }  
    
      }  
    
      }  
    
      }  
    
      this    .root = r;  
    
      assert  checkInvariants(root);  
    
      }  
    
      ......  
    
      }

介绍了ConcurrentHashMap主要的属性与内部的数据结构，现在通过一个简单的例子以debug的视角看看ConcurrentHashMap的具体操作细节

public  class  TestConcurrentHashMap{     
    
      public  static  void  main(String[] args){  
    
      ConcurrentHashMap<String,String> map =  new  ConcurrentHashMap();  //初始化ConcurrentHashMap  
    
      //新增个人信息  
    
      map.put(    "id"    ,    "1"    );  
    
      map.put(    "name"    ,    "andy"    );  
    
      map.put(    "sex"    ,    "男"    );  
    
      //获取姓名  
    
      String name = map.get(    "name"    );  
    
      Assert.assertEquals(name,    "andy"    );  
    
      //计算大小  
    
      int  size = map.size();  
    
      Assert.assertEquals(size,    3    );  
    
      }  
    
      }

我们先通过 new ConcurrentHashMap() 来进行初始化

public  ConcurrentHashMap() {  
    
      }

由上你会发现ConcurrentHashMap的初始化其实是一个空实现，并没有做任何事，这里后面会讲到，这也是和其他的集合类有区别的地方，初始化操作并不是在构造函数实现的，而是在put操作中实现，当然ConcurrentHashMap还提供了其他的构造函数，有指定容量大小或者指定负载因子，跟HashMap一样，这里就不做介绍了

put操作

在上面的例子中我们新增个人信息会调用put方法，我们来看下

public  V put(K key, V value) {  
    
      return  putVal(key, value,  false    );  
    
      }  
    
      /** Implementation for put and putIfAbsent */  
    
      final  V putVal(K key, V value,  boolean  onlyIfAbsent) {  
    
      if  (key ==  null  || value ==  null    )  throw  new  NullPointerException();  
    
      int  hash = spread(key.hashCode());  //两次hash，减少hash冲突，可以均匀分布  
    
      int  binCount =  0    ;  
    
      for  (Node<K,V>[] tab = table;;) {  //对这个table进行迭代  
    
      Node<K,V> f;  int  n, i, fh;  
    
      //这里就是上面构造方法没有进行初始化，在这里进行判断，为null就调用initTable进行初始化，属于懒汉模式初始化  
    
      if  (tab ==  null  || (n = tab.length) ==  0    )  
    
      tab = initTable();  
    
      else  if  ((f = tabAt(tab, i = (n -  1    ) & hash)) ==  null    ) {    //如果i位置没有数据，就直接无锁插入  
    
      if  (casTabAt(tab, i,  null    ,  
    
      new  Node<K,V>(hash, key, value,  null    )))  
    
      break    ;  // no lock when adding to empty bin  
    
      }  
    
      else  if  ((fh = f.hash) == MOVED)    //如果在进行扩容，则先进行扩容操作  
    
      tab = helpTransfer(tab, f);  
    
      else  {  
    
      V oldVal =  null    ;  
    
      //如果以上条件都不满足，那就要进行加锁操作，也就是存在hash冲突，锁住链表或者红黑树的头结点  
    
      synchronized  (f) {  
    
      if  (tabAt(tab, i) == f) {  
    
      if  (fh >=  0    ) {  //表示该节点是链表结构  
    
      binCount =  1    ;  
    
      for  (Node<K,V> e = f;; ++binCount) {  
    
      K ek;  
    
      //这里涉及到相同的key进行put就会覆盖原先的value  
    
      if  (e.hash == hash &&  
    
      ((ek = e.key) == key ||  
    
      (ek !=  null  && key.equals(ek)))) {  
    
      oldVal = e.val;  
    
      if  (!onlyIfAbsent)  
    
      e.val = value;  
    
      break    ;  
    
      }  
    
      Node<K,V> pred = e;  
    
      if  ((e = e.next) ==  null    ) {  //插入链表尾部  
    
      pred.next =  new  Node<K,V>(hash, key,  
    
      value,  null    );  
    
      break    ;  
    
      }  
    
      }  
    
      }  
    
      else  if  (f  instanceof  TreeBin) {    //红黑树结构  
    
      Node<K,V> p;  
    
      binCount =  2    ;  
    
      //红黑树结构旋转插入  
    
      if  ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key,  
    
      value)) !=  null    ) {  
    
      oldVal = p.val;  
    
      if  (!onlyIfAbsent)  
    
      p.val = value;  
    
      }  
    
      }  
    
      }  
    
      }  
    
      if  (binCount !=  0    ) {  //如果链表的长度大于8时就会进行红黑树的转换  
    
      if  (binCount >= TREEIFY_THRESHOLD)  
    
      treeifyBin(tab, i);  
    
      if  (oldVal !=  null    )  
    
      return  oldVal;  
    
      break    ;  
    
      }  
    
      }  
    
      }  
    
      addCount(1L, binCount);    //统计size，并且检查是否需要扩容  
    
      return  null    ;  
    
      }

这个put的过程很清晰，对当前的table进行无条件自循环直到put成功，可以分成以下六步流程来概述

> 1.  如果没有初始化就先调用initTable（）方法来进行初始化过程
> 2.  如果没有hash冲突就直接CAS插入
> 3.  如果还在进行扩容操作就先进行扩容
> 4.  如果存在hash冲突，就加锁来保证线程安全，这里有两种情况，一种是链表形式就直接遍历到尾端插入，一种是红黑树就按照红黑树结构插入，
> 5.  最后一个如果Hash冲突时会形成Node链表，在链表长度超过8，Node数组超过64时会将链表结构转换为红黑树的结构，break再一次进入循环
> 6.  如果添加成功就调用addCount（）方法统计size，并且检查是否需要扩容

现在我们来对每一步的细节进行源码分析，在第一步中，符合条件会进行初始化操作，我们来看看initTable（）方法

/**  
    
      * Initializes table, using the size recorded in sizeCtl.  
    
      */  
    
      private  final  Node<K,V>[] initTable() {  
    
      Node<K,V>[] tab;  int  sc;  
    
      while  ((tab = table) ==  null  || tab.length ==  0    ) {    //空的table才能进入初始化操作  
    
      if  ((sc = sizeCtl) <  0    )  //sizeCtl<0表示其他线程已经在初始化了或者扩容了，挂起当前线程  
    
      Thread.yield();  // lost initialization race; just spin  
    
      else  if  (U.compareAndSwapInt(    this    , SIZECTL, sc, -    1    )) {    //CAS操作SIZECTL为-1，表示初始化状态  
    
      try  {  
    
      if  ((tab = table) ==  null  || tab.length ==  0    ) {  
    
      int  n = (sc >  0    ) ? sc : DEFAULT_CAPACITY;  
    
      @SuppressWarnings    (    "unchecked"    )  
    
      Node<K,V>[] nt = (Node<K,V>[])    new  Node<?,?>[n];    //初始化  
    
      table = tab = nt;  
    
      sc = n - (n >>>  2    );    //记录下次扩容的大小  
    
      }  
    
      }  finally  {  
    
      sizeCtl = sc;  
    
      }  
    
      break    ;  
    
      }  
    
      }  
    
      return  tab;  
    
      }

在第二步中没有hash冲突就直接调用Unsafe的方法CAS插入该元素，进入第三步如果容器正在扩容，则会调用helpTransfer（）方法帮助扩容，现在我们跟进helpTransfer（）方法看看

/**  
    
      *帮助从旧的table的元素复制到新的table中  
    
      */  
    
      final  Node<K,V>[] helpTransfer(Node<K,V>[] tab, Node<K,V> f) {  
    
      Node<K,V>[] nextTab;  int  sc;  
    
      if  (tab !=  null  && (f  instanceof  ForwardingNode) &&  
    
      (nextTab = ((ForwardingNode<K,V>)f).nextTable) !=  null    ) {  //新的table nextTba已经存在前提下才能帮助扩容  
    
      int  rs = resizeStamp(tab.length);  
    
      while  (nextTab == nextTable && table == tab &&  
    
      (sc = sizeCtl) <  0    ) {  
    
      if  ((sc >>> RESIZE_STAMP_SHIFT) != rs || sc == rs +  1  ||  
    
      sc == rs + MAX_RESIZERS || transferIndex <=  0    )  
    
      break    ;  
    
      if  (U.compareAndSwapInt(    this    , SIZECTL, sc, sc +  1    )) {  
    
      transfer(tab, nextTab);    //调用扩容方法  
    
      break    ;  
    
      }  
    
      }  
    
      return  nextTab;  
    
      }  
    
      return  table;  
    
      }

其实helpTransfer（）方法的目的就是调用多个工作线程一起帮助进行扩容，这样的效率就会更高，而不是只有检查到要扩容的那个线程进行扩容操作，其他线程就要等待扩容操作完成才能工作  
既然这里涉及到扩容的操作，我们也一起来看看扩容方法transfer（）

private  final  void  transfer(Node<K,V>[] tab, Node<K,V>[] nextTab) {  
    
      int  n = tab.length, stride;  
    
      // 每核处理的量小于16，则强制赋值16  
    
      if  ((stride = (NCPU >  1    ) ? (n >>>  3    ) / NCPU : n) < MIN_TRANSFER_STRIDE)  
    
      stride = MIN_TRANSFER_STRIDE;  // subdivide range  
    
      if  (nextTab ==  null    ) {  // initiating  
    
      try  {  
    
      @SuppressWarnings    (    "unchecked"    )  
    
      Node<K,V>[] nt = (Node<K,V>[])    new  Node<?,?>[n <<  1    ];  //构建一个nextTable对象，其容量为原来容量的两倍  
    
      nextTab = nt;  
    
      }  catch  (Throwable ex) {  // try to cope with OOME  
    
      sizeCtl = Integer.MAX_VALUE;  
    
      return    ;  
    
      }  
    
      nextTable = nextTab;  
    
      transferIndex = n;  
    
      }  
    
      int  nextn = nextTab.length;  
    
      // 连接点指针，用于标志位（fwd的hash值为-1，fwd.nextTable=nextTab）  
    
      ForwardingNode<K,V> fwd =  new  ForwardingNode<K,V>(nextTab);  
    
      // 当advance == true时，表明该节点已经处理过了  
    
      boolean  advance =  true    ;  
    
      boolean  finishing =  false    ;  // to ensure sweep before committing nextTab  
    
      for  (    int  i =  0    , bound =  0    ;;) {  
    
      Node<K,V> f;  int  fh;  
    
      // 控制 --i ,遍历原hash表中的节点  
    
      while  (advance) {  
    
      int  nextIndex, nextBound;  
    
      if  (--i >= bound || finishing)  
    
      advance =  false    ;  
    
      else  if  ((nextIndex = transferIndex) <=  0    ) {  
    
      i = -    1    ;  
    
      advance =  false    ;  
    
      }  
    
      // 用CAS计算得到的transferIndex  
    
      else  if  (U.compareAndSwapInt  
    
      (    this    , TRANSFERINDEX, nextIndex,  
    
      nextBound = (nextIndex > stride ?  
    
      nextIndex - stride :  0    ))) {  
    
      bound = nextBound;  
    
      i = nextIndex -  1    ;  
    
      advance =  false    ;  
    
      }  
    
      }  
    
      if  (i <  0  || i >= n || i + n >= nextn) {  
    
      int  sc;  
    
      // 已经完成所有节点复制了  
    
      if  (finishing) {  
    
      nextTable =  null    ;  
    
      table = nextTab;  // table 指向nextTable  
    
      sizeCtl = (n <<  1    ) - (n >>>  1    );  // sizeCtl阈值为原来的1.5倍  
    
      return    ;  // 跳出死循环，  
    
      }  
    
      // CAS 更扩容阈值，在这里面sizectl值减一，说明新加入一个线程参与到扩容操作  
    
      if  (U.compareAndSwapInt(    this    , SIZECTL, sc = sizeCtl, sc -  1    )) {  
    
      if  ((sc -  2    ) != resizeStamp(n) << RESIZE_STAMP_SHIFT)  
    
      return    ;  
    
      finishing = advance =  true    ;  
    
      i = n;  // recheck before commit  
    
      }  
    
      }  
    
      // 遍历的节点为null，则放入到ForwardingNode 指针节点  
    
      else  if  ((f = tabAt(tab, i)) ==  null    )  
    
      advance = casTabAt(tab, i,  null    , fwd);  
    
      // f.hash == -1 表示遍历到了ForwardingNode节点，意味着该节点已经处理过了  
    
      // 这里是控制并发扩容的核心  
    
      else  if  ((fh = f.hash) == MOVED)  
    
      advance =  true    ;  // already processed  
    
      else  {  
    
      // 节点加锁  
    
      synchronized  (f) {  
    
      // 节点复制工作  
    
      if  (tabAt(tab, i) == f) {  
    
      Node<K,V> ln, hn;  
    
      // fh >= 0 ,表示为链表节点  
    
      if  (fh >=  0    ) {  
    
      // 构造两个链表  一个是原链表  另一个是原链表的反序排列  
    
      int  runBit = fh & n;  
    
      Node<K,V> lastRun = f;  
    
      for  (Node<K,V> p = f.next; p !=  null    ; p = p.next) {  
    
      int  b = p.hash & n;  
    
      if  (b != runBit) {  
    
      runBit = b;  
    
      lastRun = p;  
    
      }  
    
      }  
    
      if  (runBit ==  0    ) {  
    
      ln = lastRun;  
    
      hn =  null    ;  
    
      }  
    
      else  {  
    
      hn = lastRun;  
    
      ln =  null    ;  
    
      }  
    
      for  (Node<K,V> p = f; p != lastRun; p = p.next) {  
    
      int  ph = p.hash; K pk = p.key; V pv = p.val;  
    
      if  ((ph & n) ==  0    )  
    
      ln =  new  Node<K,V>(ph, pk, pv, ln);  
    
      else  
    
      hn =  new  Node<K,V>(ph, pk, pv, hn);  
    
      }  
    
      // 在nextTable i 位置处插上链表  
    
      setTabAt(nextTab, i, ln);  
    
      // 在nextTable i + n 位置处插上链表  
    
      setTabAt(nextTab, i + n, hn);  
    
      // 在table i 位置处插上ForwardingNode 表示该节点已经处理过了  
    
      setTabAt(tab, i, fwd);  
    
      // advance = true 可以执行--i动作，遍历节点  
    
      advance =  true    ;  
    
      }  
    
      // 如果是TreeBin，则按照红黑树进行处理，处理逻辑与上面一致  
    
      else  if  (f  instanceof  TreeBin) {  
    
      TreeBin<K,V> t = (TreeBin<K,V>)f;  
    
      TreeNode<K,V> lo =  null    , loTail =  null    ;  
    
      TreeNode<K,V> hi =  null    , hiTail =  null    ;  
    
      int  lc =  0    , hc =  0    ;  
    
      for  (Node<K,V> e = t.first; e !=  null    ; e = e.next) {  
    
      int  h = e.hash;  
    
      TreeNode<K,V> p =  new  TreeNode<K,V>  
    
      (h, e.key, e.val,  null    ,  null    );  
    
      if  ((h & n) ==  0    ) {  
    
      if  ((p.prev = loTail) ==  null    )  
    
      lo = p;  
    
      else  
    
      loTail.next = p;  
    
      loTail = p;  
    
      ++lc;  
    
      }  
    
      else  {  
    
      if  ((p.prev = hiTail) ==  null    )  
    
      hi = p;  
    
      else  
    
      hiTail.next = p;  
    
      hiTail = p;  
    
      ++hc;  
    
      }  
    
      }  
    
      // 扩容后树节点个数若<=6，将树转链表  
    
      ln = (lc <= UNTREEIFY_THRESHOLD) ? untreeify(lo) :  
    
      (hc !=  0    ) ?  new  TreeBin<K,V>(lo) : t;  
    
      hn = (hc <= UNTREEIFY_THRESHOLD) ? untreeify(hi) :  
    
      (lc !=  0    ) ?  new  TreeBin<K,V>(hi) : t;  
    
      setTabAt(nextTab, i, ln);  
    
      setTabAt(nextTab, i + n, hn);  
    
      setTabAt(tab, i, fwd);  
    
      advance =  true    ;  
    
      }  
    
      }  
    
      }  
    
      }  
    
      }  
    
      }

扩容过程有点复杂，这里主要涉及到多线程并发扩容,ForwardingNode的作用就是支持扩容操作，将已处理的节点和空节点置为ForwardingNode，并发处理时多个线程经过ForwardingNode就表示已经遍历了，就往后遍历，下图是多线程合作扩容的过程：

![045fd356642debae2fbbfb30b120bd4c.png][]

介绍完扩容过程，我们再次回到put流程，在第四步中是向链表或者红黑树里加节点，到第五步，会调用treeifyBin（）方法进行链表转红黑树的过程

private  final  void  treeifyBin(Node<K,V>[] tab,  int  index) {  
    
      Node<K,V> b;  int  n, sc;  
    
      if  (tab !=  null    ) {  
    
      //如果整个table的数量小于64，就扩容至原来的一倍，不转红黑树了  
    
      //因为这个阈值扩容可以减少hash冲突，不必要去转红黑树  
    
      if  ((n = tab.length) < MIN_TREEIFY_CAPACITY)  
    
      tryPresize(n <<  1    );  
    
      else  if  ((b = tabAt(tab, index)) !=  null  && b.hash >=  0    ) {  
    
      synchronized  (b) {  
    
      if  (tabAt(tab, index) == b) {  
    
      TreeNode<K,V> hd =  null    , tl =  null    ;  
    
      for  (Node<K,V> e = b; e !=  null    ; e = e.next) {  
    
      //封装成TreeNode  
    
      TreeNode<K,V> p =  
    
      new  TreeNode<K,V>(e.hash, e.key, e.val,  
    
      null    ,  null    );  
    
      if  ((p.prev = tl) ==  null    )  
    
      hd = p;  
    
      else  
    
      tl.next = p;  
    
      tl = p;  
    
      }  
    
      //通过TreeBin对象对TreeNode转换成红黑树  
    
      setTabAt(tab, index,  new  TreeBin<K,V>(hd));  
    
      }  
    
      }  
    
      }  
    
      }  
    
      }

到第六步表示已经数据加入成功了，现在调用addCount()方法计算ConcurrentHashMap的size，在原来的基础上加一，现在来看看addCount()方法

private  final  void  addCount(    long  x,  int  check) {  
    
      CounterCell[] as;  long  b, s;  
    
      //更新baseCount，table的数量，counterCells表示元素个数的变化  
    
      if  ((as = counterCells) !=  null  ||  
    
      !U.compareAndSwapLong(    this    , BASECOUNT, b = baseCount, s = b + x)) {  
    
      CounterCell a;  long  v;  int  m;  
    
      boolean  uncontended =  true    ;  
    
      //如果多个线程都在执行，则CAS失败，执行fullAddCount，全部加入count  
    
      if  (as ==  null  || (m = as.length -  1    ) <  0  ||  
    
      (a = as[ThreadLocalRandom.getProbe() & m]) ==  null  ||  
    
      !(uncontended =  
    
      U.compareAndSwapLong(a, CELLVALUE, v = a.value, v + x))) {  
    
      fullAddCount(x, uncontended);  
    
      return    ;  
    
      }  
    
      if  (check <=  1    )  
    
      return    ;  
    
      s = sumCount();  
    
      }  
    
      //check>=0表示需要进行扩容操作  
    
      if  (check >=  0    ) {  
    
      Node<K,V>[] tab, nt;  int  n, sc;  
    
      while  (s >= (    long    )(sc = sizeCtl) && (tab = table) !=  null  &&  
    
      (n = tab.length) < MAXIMUM_CAPACITY) {  
    
      int  rs = resizeStamp(n);  
    
      if  (sc <  0    ) {  
    
      if  ((sc >>> RESIZE_STAMP_SHIFT) != rs || sc == rs +  1  ||  
    
      sc == rs + MAX_RESIZERS || (nt = nextTable) ==  null  ||  
    
      transferIndex <=  0    )  
    
      break    ;  
    
      if  (U.compareAndSwapInt(    this    , SIZECTL, sc, sc +  1    ))  
    
      transfer(tab, nt);  
    
      }  
    
      //当前线程发起库哦哦让操作，nextTable=null  
    
      else  if  (U.compareAndSwapInt(    this    , SIZECTL, sc,  
    
      (rs << RESIZE_STAMP_SHIFT) +  2    ))  
    
      transfer(tab,  null    );  
    
      s = sumCount();  
    
      }  
    
      }  
    
      }

put的流程现在已经分析完了，你可以从中发现，他在并发处理中使用的是乐观锁，当有冲突的时候才进行并发处理，而且流程步骤很清晰，但是细节设计的很复杂，毕竟多线程的场景也复杂

get操作

我们现在要回到开始的例子中，我们对个人信息进行了新增之后，我们要获取所新增的信息，使用String name = map.get(“name”)获取新增的name信息，现在我们依旧用debug的方式来分析下ConcurrentHashMap的获取方法get()

public  V get(Object key) {  
    
      Node<K,V>[] tab; Node<K,V> e, p;  int  n, eh; K ek;  
    
      int  h = spread(key.hashCode());  //计算两次hash  
    
      if  ((tab = table) !=  null  && (n = tab.length) >  0  &&  
    
      (e = tabAt(tab, (n -  1    ) & h)) !=  null    ) {    //读取首节点的Node元素  
    
      if  ((eh = e.hash) == h) {  //如果该节点就是首节点就返回  
    
      if  ((ek = e.key) == key || (ek !=  null  && key.equals(ek)))  
    
      return  e.val;  
    
      }  
    
      //hash值为负值表示正在扩容，这个时候查的是ForwardingNode的find方法来定位到nextTable来  
    
      //查找，查找到就返回  
    
      else  if  (eh <  0    )  
    
      return  (p = e.find(h, key)) !=  null  ? p.val :  null    ;  
    
      while  ((e = e.next) !=  null    ) {    //既不是首节点也不是ForwardingNode，那就往下遍历  
    
      if  (e.hash == h &&  
    
      ((ek = e.key) == key || (ek !=  null  && key.equals(ek))))  
    
      return  e.val;  
    
      }  
    
      }  
    
      return  null    ;  
    
      }

ConcurrentHashMap的get操作的流程很简单，也很清晰，可以分为三个步骤来描述

1.  计算hash值，定位到该table索引位置，如果是首节点符合就返回
2.  如果遇到扩容的时候，会调用标志正在扩容节点ForwardingNode的find方法，查找该节点，匹配就返回
3.  以上都不符合的话，就往下遍历节点，匹配就返回，否则最后就返回null

size操作

最后我们来看下例子中最后获取size的方式int size = map.size();，现在让我们看下size()方法

public  int  size() {  
    
      long  n = sumCount();  
    
      return  ((n < 0L) ?  0  :  
    
      (n > (    long    )Integer.MAX_VALUE) ? Integer.MAX_VALUE :  
    
      (    int    )n);  
    
      }  
    
      final  long  sumCount() {  
    
      CounterCell[] as = counterCells; CounterCell a;  //变化的数量  
    
      long  sum = baseCount;  
    
      if  (as !=  null    ) {  
    
      for  (    int  i =  0    ; i < as.length; ++i) {  
    
      if  ((a = as[i]) !=  null    )  
    
      sum += a.value;  
    
      }  
    
      }  
    
      return  sum;  
    
      }

在JDK1.8版本中，对于size的计算，在扩容和addCount()方法就已经有处理了，JDK1.7是在调用size()方法才去计算，其实在并发集合中去计算size是没有多大的意义的，因为size是实时在变的，只能计算某一刻的大小，但是某一刻太快了，人的感知是一个时间段，所以并不是很精确

## 总结与思考 ##

其实可以看出JDK1.8版本的ConcurrentHashMap的数据结构已经接近HashMap，相对而言，ConcurrentHashMap只是增加了同步的操作来控制并发，从JDK1.7版本的ReentrantLock+Segment+HashEntry，到JDK1.8版本中synchronized+CAS+HashEntry+红黑树,相对而言，总结如下思考

1.  JDK1.8的实现降低锁的粒度，JDK1.7版本锁的粒度是基于Segment的，包含多个HashEntry，而JDK1.8锁的粒度就是HashEntry（首节点）
2.  JDK1.8版本的数据结构变得更加简单，使得操作也更加清晰流畅，因为已经使用synchronized来进行同步，所以不需要分段锁的概念，也就不需要Segment这种数据结构了，由于粒度的降低，实现的复杂度也增加了
3.  JDK1.8使用红黑树来优化链表，基于长度很长的链表的遍历是一个很漫长的过程，而红黑树的遍历效率是很快的，代替一定阈值的链表，这样形成一个最佳拍档
4.  JDK1.8为什么使用内置锁synchronized来代替重入锁ReentrantLock，我觉得有以下几点
    
    1.  因为粒度降低了，在相对而言的低粒度加锁方式，synchronized并不比ReentrantLock差，在粗粒度加锁中ReentrantLock可能通过Condition来控制各个低粒度的边界，更加的灵活，而在低粒度中，Condition的优势就没有了
    2.  JVM的开发团队从来都没有放弃synchronized，而且基于JVM的synchronized优化空间更大，使用内嵌的关键字比使用API更加自然
    3.  在大量的数据操作下，对于JVM的内存压力，基于API的ReentrantLock会开销更多的内存，虽然不是瓶颈，但是也是一个选择依据

[2107d55e6e38a3ede03ed08f13585a66.png]: /images/20221120/740604ba4c0c444ea0139d33333e8478.png
[f41b62254d2a5ef03eb1c019679db053.png]: https://img-blog.csdnimg.cn/img_convert/f41b62254d2a5ef03eb1c019679db053.png
[045fd356642debae2fbbfb30b120bd4c.png]: https://img-blog.csdnimg.cn/img_convert/045fd356642debae2fbbfb30b120bd4c.png