【2023】HashMap详细源码分析解读

我不是女神ヾ 2023-10-13 23:51 66阅读 0赞

## 前言 ##

在弄清楚HashMap之前先介绍一下使用到的数据结构，在jdk1.8之后HashMap中为了优化效率加入了红黑树这种数据结构。

### 树 ###

在计算机科学中，**树**（英语：tree）是一种[抽象数据类型][Link 1]（ADT）或是实作这种抽象数据类型的[数据结构][Link 2]，用来模拟具[有树状结构][Link 3]性质的数据集合。它是由n（n>0）个有限节点组成一个具有层次关系的[集合][Link 4]。把它叫做“树”是因为它看起来像一棵倒挂的树，也就是说它是根朝上，而叶朝下的。它具有以下的特点：

*  每个节点都只有有限个子节点或无子节点；
 *  没有父节点的节点称为根节点；
 *  每一个非根节点有且只有一个父节点；
 *  除了根节点外，每个子节点可以分为多个不相交的子树；
 *  树里面没有环路(cycle)  
    ![在这里插入图片描述][0e17b6b9a78a4141a4a4a5d36340afc3.png]

> **在分类上包含了二叉树、二叉查找树、红黑树、B树、B+树等。**

#### 1、二叉树 ####

*  每个节点最多含有两个子节点，分别为左子节点和右子节点。
 *  不要求每个节点都有两个子节点，有的只有左，有的只有右子节点
 *  二叉树每个节点的左子树和右子树也分别满足前两条定义  
    ![在这里插入图片描述][fb9dbc6889e64045ad1740882277d7b5.png]

#### 2、二叉搜索树 ####

*  在树种的任意一个节点，其左子树中的每个节点的值，都要小于这个节点的值而右子树节点的值都大于这个节点的值
 *  不会出现键值相等的节点
 *  通常情况下二叉树搜索的时间复杂度为O(log n)  
    ![在这里插入图片描述][ff7657f7580c45d3a3e519fffb64f8ba.png]  
    因为他不会自旋所以会出现一种最坏的情况，左右子树极度不平衡，  
    ![在这里插入图片描述][a545e1cf41164ff687abe1f5235223e8.png]

#### 3、红黑树 ####

*  节点要么是红色，要么是黑色
 *  跟节点是黑色
 *  叶子节点都是黑色的空节点
 *  红黑树的红色节点的子节点都是黑色
 *  从任意节点到叶子节点的所以路径都包含相同数目的黑色节点
 *  **在进行添加或者删除后，如果不满足上面的五条定义则会发生旋转调整操作**
 *  查找、删除、添加的操作时间复杂度都是O(log n)  
    ![在这里插入图片描述][d7ef268708574b5bb76b4a7ca9580100.png]

### 散列表 ###

散列表又名**hash表**，是**根据键(key)直接访问**在内存存储位置值(value)的数据结构，它**是由数组演化而来**的，利用了数组支持按照下标进行随机访问数据的特性  
![5ee7ef8d7f094ea7bef66d8233cfb53e.png][]  
**将键(key)映射为数组下标的函数叫做散列函数**。可以表示为：**hashValue = hash(key)**  
散列函数的基本要求：

*  散列函数计算得到的散列值必须是大于等于0的正整数，因为hashValue需要作为数组的下标。
 *  如果key1 = key2，那么经过hash后得到的哈希值也必相同即：hash(key1) = hash(key2)
 *  **如果key1 != key2，那么经过hash后得到的哈希值也必相同即：hash(key1) != hash(key2)**

#### 散列冲突 ####

实际的情况下想找一个散列函数能够做到对于不同的key计算得到的散列值都不同几乎是不可能的。从而就会造成一种现象，就是多个key通过hash运算转换之后映射到同一个数组下标位置，这种情况被称之为散列冲突(或者哈希冲突、哈希碰撞)  
![在这里插入图片描述][016962da8e9d41f48c8c41a01a3fed04.png]

#### 拉链法 ####

为了解决散列冲突，一般都会采用一种叫拉链法的方式解决。  
在散列表中，数组的每个下标位置我们可以称之为桶，每个桶会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中，这种方式就叫拉链法

*  插入操作，通过散列函数计算出对应的散列槽位，将其插入到对应链表中即可，插入的时间复杂度是O(1)
 *  当查找、删除一个元素时，我们同样通过散列函数计算出对应的槽，然后遍历链表查找或者删除
    
     *  平均情况下基于链表法解决冲突时查询的时间复杂度是O(1)
     *  散列表可能会退化为链表，查询的时间复杂度就从O(1)退化为O(n)
     *  将链表法中的链表改造为其他高效的动态数据结构，比如红黑树，查询的时间复杂度是O(log n)  
        ![在这里插入图片描述][168cbc5c7dc44058b4b757db2934a63c.png]  
        ![在这里插入图片描述][a9c6e94f6c0b4756bc167d3f72f41c54.png]

> 而且使用红黑树可以有效的防止DDos 攻击

## 一、简介 ##

`HashMap`是Map中的重要实现类，它是一个散列表，存储的内容是键值对（key=>value）映射。HashMap是非线程安全的。HashMap中允许存储null的键和值，键是唯一的。

在JDK1.8以前，`HashMap`的底层数据结构是纯粹的数组+链表结构。由于数组具有读取快，增删慢的特点，而链表具有读取慢，增删快的特点，HashMap将二者相结合，并且没有使用同步锁进行修饰，它的性能较好。数组是`HashMap`的主体，链表则是为了解决哈希冲突而引入。此处解决哈希冲突的具体方法为：**拉链法**

## 二、源码解析 ##

### 1、put方法 ###

#### 1.1、常见属性 ####

***扩容阈值 = 数组容量 \* 加载因子***

//默认的初始容量
        static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16  
        //默认的加载因子     
        static final float DEFAULT_LOAD_FACTOR = 0.75f;
        //存储数据的数组
        transient Node<K,V>[] table;
        //容量
        transient int size;

#### 1.2、构造函数 ####

//默认无参构造
        public HashMap() {
        
            this.loadFactor = DEFAULT_LOAD_FACTOR; // 指定加载因子为默认加载因子 0.75
        }

*  HashMap是懒惰创建数组的，在创建对象的时候并没有初始化数组
 *  在无参的构造函数中，设置了默认的加载因子

#### 1.3、put方法 ####

*  流程图  
    ![在这里插入图片描述][a777c8e8729742a89a04328e9f7d2536.png]
 *  具体源码

public V put(K key, V value) {
        
            return putVal(hash(key), key, value, false, true);
        }
        
    	/** 
    	*  计算hash值的方法
    	*/
    		static final int hash(Object key) {
        
    	        int h;
    	        return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    	    }
    
    	/** 
    	*  具体执行put添加方法
    	*/
    	final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                       boolean evict) {
        
            Node<K,V>[] tab; Node<K,V> p; int n, i;
            //判断数组是否初始化(数组初始化是在第一次put的时候)
            if ((tab = table) == null || (n = tab.length) == 0)
            	//如果未初始化，调用resize()进行初始化
                n = (tab = resize()).length;
            //通过 & 运算符计算求出该数据(key)的数组下标并且判断该下标位置是否有数据
            if ((p = tab[i = (n - 1) & hash]) == null)
            	//如果没有，直接将数据放在该下标位置
                tab[i] = newNode(hash, key, value, null);
            else {
          //该下标位置有数据的情况
                Node<K,V> e; K k;
                //判断该下标位置的数据是否和当前新put的数据一样
                if (p.hash == hash &&
                    ((k = p.key) == key || (key != null && key.equals(k))))
    				//如果一样，则直接覆盖value
                    e = p;
                //判断是不是红黑树
                else if (p instanceof TreeNode)  
                	//如果是红黑树的话，进行红黑树的具体添加操作
                    e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
                //如果都不是代表是链表
                else {
          
                	//遍历链表
                    for (int binCount = 0; ; ++binCount) {
        
                    	//判断next节点是否为null，是null代表遍历到链表尾部了
                        if ((e = p.next) == null) {
        
                        	//把新值插入到尾部
                            p.next = newNode(hash, key, value, null);
                            //插入数据后，判断链表长度有大于等于8了没
                            if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
                            	//如果是则进行红黑树转换
                                treeifyBin(tab, hash);
                            break; //退出
                        }
                        //如果在链表中找到相同数据的值，则进行修改操作
                        if (e.hash == hash &&
                            ((k = e.key) == key || (key != null && key.equals(k))))
                            break;
                        //把下一个节点赋值为当前节点
                        p = e;
                    }
                }
                //判断e是否为null(e值为前面修改操作存放原数据的变量)
                if (e != null) {
         // existing mapping for key
                	//不为null的话证明是修改操作，取出老值
                    V oldValue = e.value;
                   
                    if (!onlyIfAbsent || oldValue == null)
                    	//把新值赋值给当前节点
                        e.value = value;
                    afterNodeAccess(e);
                    //返回老值
                    return oldValue;
                }
            }
            //计算当前节点的修改次数
            ++modCount;
            //判断当前数组中的数据量是否大于扩容阈值
            if (++size > threshold)
            	//进行扩容
                resize();
            afterNodeInsertion(evict);
            return null;
        }

*  具体流程

1.  判断键值对数组table是否为ull，复杂执行resize()进行扩容(初始化)
2.  根据键值对key计算hash值得到数组索引
3.  判断table\[i\]==hash值得到数组索引
4.  如果taale\[i\] ==null ，条件成立，直接新建节点添加  
    i. 判断table\[i\]的首个元素是否和key一样，如果相同直接覆盖value  
    ii. 判断table\[i\]是否为treeNode，即table\[i\]是否为红黑树，如果红黑树，则直接在数中插入键值对  
    iii. 遍历table\[i\]，链表的尾部插入数据，然后判断链表长度是否大于8，大于的话把链表转换为红黑树操作，遍历过程中若发现key已经存在执行覆盖value

### 1.4 resize方法(扩容) ###

*  流程图  
    ![在这里插入图片描述][e5f33f8fe46d418b8afff42f84e81281.png]
 *  具体源码

final Node<K,V>[] resize() {
        
            Node<K,V>[] oldTab = table;
            //如果当前数组为null的时候，把oldCap 老数组容量设置为0
            int oldCap = (oldTab == null) ? 0 : oldTab.length;
            //老的扩容阈值
            int oldThr = threshold;
            int newCap, newThr = 0;
            //判断数组容量是否大于0，大于0说明数组已经初始化
            if (oldCap > 0) {
        
            	//判断当前数组长度是否大于最大数组长度
                if (oldCap >= MAXIMUM_CAPACITY) {
        
                	//如果是，将扩容阈值直接设置为int类型的最大数值并且直接返回
                    threshold = Integer.MAX_VALUE;
                    return oldTab;
                }
                //如果在最大长度访问内，则需要扩容oldCap << 1 == oldCap * 2
                //并且判断是否大于16,
                else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
                         oldCap >= DEFAULT_INITIAL_CAPACITY)
                    newThr = oldThr << 1; // double threshold  等价于 oldCap * 2
            }
          
            else if (oldThr > 0) // initial capacity was placed in threshold
                newCap = oldThr;
            //数组初始化的情况，将阈值和扩容因子设置为默认值
            else {
                       // zero initial threshold signifies using defaults
                newCap = DEFAULT_INITIAL_CAPACITY;
                newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
            }
            //初始化容量小于16的时候，扩容阈值没用阈值的
            if (newThr == 0) {
        
            	//创建阈值
                float ft = (float)newCap * loadFactor;
                newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                          (int)ft : Integer.MAX_VALUE);
            }
            //计算出来的阈值赋值
            threshold = newThr;
            @SuppressWarnings({
        "rawtypes","unchecked"})
            //根据上边计算得出的容量 创建新的数组
            Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
            table = newTab;
            //扩容操作，判断不为null证明不是初始化数组
            if (oldTab != null) {
        
            //	遍历数组
                for (int j = 0; j < oldCap; ++j) {
        
                    Node<K,V> e;
                    //判断当前下标为j的数组如果不为null的话赋值给e
                    if ((e = oldTab[j]) != null) {
        
                    	//将数组的位置设置为null
                        oldTab[j] = null;
                        //判断是否有下一个节点
                        if (e.next == null)
                        	//如果没有，就查询计算在新数组中的下标并放进去
                            newTab[e.hash & (newCap - 1)] = e;
                        //有下个节点的情况，并且判断是否已经树化
                        else if (e instanceof TreeNode)
                        	//进行红黑树的操作
                            ((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
                       //有下个节点的情况，并且判还没有树化  
                        else {
         // preserve order
                            Node<K,V> loHead = null, loTail = null;  //低位数组
                            Node<K,V> hiHead = null, hiTail = null;  //高位数组
                            Node<K,V> next;
                            遍历循环
                            do {
        
                            	//取出next节点
                                next = e.next;
                                //通过 & 操作计算出结果为0
                                if ((e.hash & oldCap) == 0) {
        
                                	//如果低位为null，则把e值放入低位2头
                                    if (loTail == null)
                                        loHead = e;
                                    //低位尾不是null，
                                    else
                                    	//将数据放入next节点
                                        loTail.next = e;
                                    loTail = e;
                                }
                                
                                else {
        
                                    if (hiTail == null)
                                        hiHead = e;
                                    else
                                        hiTail.next = e;
                                    hiTail = e;
                                }
                            } while ((e = next) != null);
                            //低位如果记录的有数据，是链表
                            if (loTail != null) {
        
                            //将下一个元素置空
                                loTail.next = null;
                                //将低位头放入新数组的
                                newTab[j] = loHead;
                            }
                            //高位尾如果记录有数据，是链表
                            if (hiTail != null) {
        
                            	//将下个元素置空
                                hiTail.next = null;
                                //将高位头放入新数组的(原下标+原数组容量)位置
                                newTab[j + oldCap] = hiHead;
                            }
                        }
                    }
                }
            }
            return newTab;
        }

*  **执行原理**

1.  在添加元素或初始化的时候需要调用resize方法进行扩容，第一次添加数据初始化数组长度为16，以后每次每次扩容都是达到了扩容阈值(数组长度\*0.75)
2.  每次扩容的时候，都是扩容之前容量的2倍;
3.  扩容之后，会新创建一个数组，需要把老数组中的数据挪动到新的数组中  
    i.没有hash冲突的节点，则直接使用e.hash&(newCap-1)计算新数组的索引位置  
    ii.如果是红黑树，走红黑树的添加  
    iii.如果是链表，则需要遍历链表，可能需要拆分链表，判断(e.hash&oldCap)是否为0，该元素的位詈要么停留在原始位置，要么移动到原始位置+增加的数组大小这个位置上

> **扩容时候怎么重新确定元素在数组中的位置，我们看到是由 if ((e.hash & oldCap) == 0) 确定的。**
> 
>     hash HEX(97)  = 0110 0001‬ 
>     n    HEX(16)  = 0001 0000
>     --------------------------
>              结果  = 0000 0000
>     # e.hash & oldCap = 0 计算得到位置还是扩容前位置
>          hash HEX(17)  = 0001 0001‬ 
>          n    HEX(16)  = 0001 0000
>     --------------------------
>              结果  = 0001 0000
>     #  e.hash & oldCap != 0 计算得到位置是扩容前位置+扩容前容量

### get方法 ###

public V get(Object key) {
        
        // 定义一个Node结点
        Node<K,V> e;
        return (e = getNode(hash(key), key)) == null ? null : e.value;
    }
    
    final Node<K,V> getNode(int hash, Object key) {
        
        Node<K,V>[] tab; Node<K,V> first, e; int n; K k;
        if ((tab = table) != null && (n = tab.length) > 0 &&
            (first = tab[(n - 1) & hash]) != null) {
        
            // 数组中元素相等的情况
            if (first.hash == hash && // always check first node
                ((k = first.key) == key || (key != null && key.equals(k))))
                return first;
            // bucket中不止一个结点
            if ((e = first.next) != null) {
        
                //判断是否为TreeNode树结点
                if (first instanceof TreeNode)
                    //通过树的方法获取结点
                    return ((TreeNode<K,V>)first).getTreeNode(hash, key);
                do {
        
                    //通过链表遍历获取结点
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        return e;
                } while ((e = e.next) != null);
            }
        }
        // 找不到就返回null
        return null;
    }

## 常见问题 ##

### 1、索引如何计算？hashCode都有了，为何还要使用hash()方法？数组容量为何是2的n次幂？ ###

*  先计算key的hashCode()，再进行调用`Hash()`方法使用异或的方式扰动运算进行二次哈希，最后再通过`(n - 1) & hash` 与运算得到索引。（使用该方式相当于hash % n取模运算）
 *  二次hash()是为了综合二进制的高位数据，让哈希分布更加均匀，减少哈希碰撞的概率，计算公式：`(h = key.hashCode()) ^ (h >>> 16)`
 *  计算索引是，如果是2的n次幂可以使用位与运算代替取模，效率更高；而且再扩容时hash & lodCap == 0 的元素留在原来位置，为1的则到到扩容后的新位置，新位置=旧位置+lodCap
    
     *  `计算方式`：`hash & length` 使用二次hash值和原始容量做运算，如果结果是0则位置不变，如果不是0则移动到新的位置，
     *  新的位置计算方式：`原始数组容量+原始下标=新的位置`
 *  使用2的n次幂主要也是为了可以更好的配合优化效率，使得下标分布得更加的均匀

### 2、HashMap的put方法流程，1.7和1.8有何不同？ ###

1.  HashMap是懒惰创建数组的，首次使用才创建数组
2.  计算索引（桶下标）
    
    1.  首先得到key的hash值，在经过一次hash()方法计算出二次hash的值，\*\*计算方式为：`(h = key.hashCode()) ^ (h >>> 16)`\*\*把hash值通过无符号右移，然后再和原本的hash值进行异或计算，这样的作用主要是为了打乱真正参与计算的低16位，可以有效的做到扰乱运算的效果，减少了哈希碰撞的概率
    2.  然后再拿整个二次hash的值和数组的容量进行除留余数法，取得的余数就是最终的桶下标，**计算方式为：`（n-1）&hash`** 把数组长度-1再通过和hash值进行与运算。相当于使用hash值去和数组的长度n做取余% % 运算，使用&做运算主要也是为了可以有效的提高运算的效率（1.7没有该优化）
3.  如果该桶下标还没人占用，则创建Node节点返回
4.  如果该桶下标已经被占用：则会去逐个的和各个节点进行比较看hash值和equals()是否都相对，如果都相等，代表是同一个key，则进行覆盖修改，如果不相同则添加
    
    1.  当已经TreeNode走红黑树的添加或更新逻辑
    2.  如果是普通的Node走链表的添加或更新逻辑，如果链表长度超过树化阈值8时，走树化逻辑，执行树化操作（前提条件是数组长度达到64）
5.  返回前还会检查容量是否超过了扩容的阈值（数组长度/加载因子），一但超过则会进行扩容
6.  **不同：**
    
    1.  链表插入时，1.7使用的是头插法（从链表头部插入），1.8使用的是尾插法（从链表尾部插入）
        
        1.  1.7是大于等于阈值且没有空位才扩容（如果有空位则不会扩容而是继续放在计算出来的桶下标的位置上），而1.8是大于等于阈值就扩容
        2.  1.8在扩容计算Node节点时，会优化

[Link 1]: https://zh.wikipedia.org/wiki/%E6%8A%BD%E8%B1%A1%E8%B3%87%E6%96%99%E5%9E%8B%E5%88%A5
[Link 2]: https://zh.wikipedia.org/wiki/%E8%B3%87%E6%96%99%E7%B5%90%E6%A7%8B
[Link 3]: https://zh.wikipedia.org/wiki/%E6%A8%B9%E7%8B%80%E7%B5%90%E6%A7%8B
[Link 4]: https://zh.wikipedia.org/wiki/%E9%9B%86%E5%90%88_%28%E6%95%B0%E5%AD%A6%29
[0e17b6b9a78a4141a4a4a5d36340afc3.png]: https://img-blog.csdnimg.cn/0e17b6b9a78a4141a4a4a5d36340afc3.png
[fb9dbc6889e64045ad1740882277d7b5.png]: https://img-blog.csdnimg.cn/fb9dbc6889e64045ad1740882277d7b5.png
[ff7657f7580c45d3a3e519fffb64f8ba.png]: https://img-blog.csdnimg.cn/ff7657f7580c45d3a3e519fffb64f8ba.png
[a545e1cf41164ff687abe1f5235223e8.png]: https://img-blog.csdnimg.cn/a545e1cf41164ff687abe1f5235223e8.png
[d7ef268708574b5bb76b4a7ca9580100.png]: https://img-blog.csdnimg.cn/d7ef268708574b5bb76b4a7ca9580100.png
[5ee7ef8d7f094ea7bef66d8233cfb53e.png]: https://img-blog.csdnimg.cn/5ee7ef8d7f094ea7bef66d8233cfb53e.png
[016962da8e9d41f48c8c41a01a3fed04.png]: https://img-blog.csdnimg.cn/016962da8e9d41f48c8c41a01a3fed04.png
[168cbc5c7dc44058b4b757db2934a63c.png]: https://img-blog.csdnimg.cn/168cbc5c7dc44058b4b757db2934a63c.png
[a9c6e94f6c0b4756bc167d3f72f41c54.png]: https://img-blog.csdnimg.cn/a9c6e94f6c0b4756bc167d3f72f41c54.png
[a777c8e8729742a89a04328e9f7d2536.png]: https://img-blog.csdnimg.cn/a777c8e8729742a89a04328e9f7d2536.png
[e5f33f8fe46d418b8afff42f84e81281.png]: https://img-blog.csdnimg.cn/e5f33f8fe46d418b8afff42f84e81281.png