从HashMap的执行流程开始 揭开HashMap底层实现 - 一乐乐

☺ 心得：如何学习源码：

从某个执行过程入手，建议先从整体入手，了解底层的数据结构是怎么一步一步优化的。最后，在了解完底层的数据结构优化过程后，从重要的核心方法入手，从它的执行流程入手，先去网上搜索了解它的执行流程过程(推荐看流程图)，再去看源码。

(1) 从某个执行过程入手，建议先从整体入手，了解底层的数据结构是怎么一步一步优化的：

比如虽然我们知道HashMap 底层数据结构是:数组+链表+红黑树，但是一开始研究的是增删改查某个流程的执行，

它的整体思路是只用到数组作为哈希表存储数据，即key 根据 哈希函数，换算得到 索引，然后根据索引定位操作对应的 数组元素。

但是存储过程发生了哈希冲突，在解决哈希冲突使用-链地址法，于是HashMap的底层结构才加入单链表。

但是为提升效率，使用效率高的数据结构-红黑树，在链表的结点大于8且数组容量大于64，单链表转成红黑树，于是HashMap的底层结构才加入红黑树。

(2) 最后，在知道了底层的数据结构优化过程后，从重要核心方法的执行流程入手，先去了解到它的执行流程 (推荐看流程图)，再去看源码:

• 比如先了解整明白put方法执行流程图：

  

• 然后再使用idea 点击进入HashMap的put方法，自己去看源码:

一、HashMap 哈希表

1、 哈希表简单介绍：是【空间换时间】的典型应用

• 哈希函数，也叫做散列函数
• 哈希表内部的数组元素，很多地方也叫 Bucket（桶），整个数组叫 Buckets 或者 BucketArray

★ 2、(增删改查) 执行流程：

• 比如增加流程：

▪ 增删改查的流程都是类似的：

① 利用哈希函数生成key 对应的索引 index 【O(1)】

② 根据 index 操作定位到的数组 元素 【O(1)】

put("Jack", 666);
put("Rose", 777);
put("Kate", 888);

• 比如Key 是Object 类型，可以存储各种类型

★ 3、哈希冲突(哈希碰撞)

(1) 定义：2 个不同的 key，经过哈希函数计算出相同的结果(索引相同)

(2) 解决哈希冲突方法：

• 开放定址法：

例如上图，key="Rose" 经过哈希函数换算得到索引是03，然后将key对应的value放到索引为03的数组元素位置上；

此时，key="Kate" 经过哈希函数换算得到索引也是03，而03的元素位置已经被key="Rose"对应的value 占据了，那么 从索引03的下一个位置 开始往下找一个新的"坑"，往下一个一个地找(线性探测)，直到找到哈希表的元素(桶)，桶是空的，然后放上key="Kate"对应的value

▪ 当然往下继续找空桶，可以按平方找 12、22、32、42 等等 (平方探测)

• 再哈希法：设计了多个哈希函数

上图，按先来的先占坑，03索引的元素(桶)的"坑位" 已经被 key="Rose" 占据了，后来者key="Kate",换算得到的索引也是 03，而"坑位"已经被占据了，那么key="Kate",选择使用另外一个哈希函数，换算得到一个新的索引，直到可以成功占到"坑位"。

• 链地址法: 比如通过链表将同一index的元素串起来

  put("Jack", 666);
  put("Rose", 777);
  put("Kate", 888);
  

★ 4、JDK1.8的哈希冲突解决方法：链地址法(数据结构：单链表+红黑树)

◼ 默认使用单向链表将元素串起来

◼ 在添加元素的过程，可能会由单向链表转为红黑树来存储元素

比如当哈希表容量 ≥ 64 且 单向链表的节点数量大于 8 时

◼ 当红黑树节点数量少到一定程度时，会由红黑树转为单向链表

◼ JDK1.8中的哈希表是使用链表+红黑树解决哈希冲突

☺ 为什么使用 单向链表，不使用双向链表呢？

为了节省内存空间，单向链表比双向链表少一个指针；而且每次都需要从头开始遍历，使用单向链表完全满足

至此，咱就已经知道HashMap的底层数据结构为什么是数组+链表+红黑树，

接下来，咱需要了解具体实现HashMap的细节：比如哈希函数的具体实现过程，哈希值怎么计算，增删改查的具体实现细节、哈希表的扩容等等

5、哈希函数(散列函数)的作用：将各种类型的key 换算成哈希表(数组) 的索引

(1) 哈希函数的具体实现过程：

① 首先根据 key，生成 哈希值（必须是整数-int 类型）

② 然后再根据 key 的哈希值和 数组的大小 进行相关运算，生成一个 索引值

    static final int hash(Object key) {
        //return key.hashCode() % table.length;
        // 为了提升运算效率，使用 & 位运算取代 % 运算（前提：数组长度设计为2的幂）
        return key.hashCode() & (table.length - 1);
    }

(2) 补充一下 与运算 &：

不管一个数 x 多大，x & 100， 最终的范围就是[0, 100]

• 使用 & 位运算取代 % 运算（前提：数组长度设计为2的幂）：是为了保证被与数全是1
  • 比如 2^1 是 10，2^1-1 是 00
  • 比如 2^2 是 100，2^2-1 是 11
  • 比如 2^3 是 1000，2^3-1 是 111
  • 比如 2^4 是 10000，2^4-1 是 1111

(3) 良好的哈希函数(哈希函数作用)：

• 让哈希值更加均匀分布 → 减少哈希冲突次数 → 提升哈希表的性能

6、哈希值计算

• 我们知道哈希函数第一步是根据key获取到哈希值，而且哈希值必须是整型；而key的类型是各种各样的，那么各种各样的key是如何获取到哈希值的呢？

▪ 不同种类的 key，哈希值的生成方式不一样，但目标是一致的

♢ 尽量让每个 key 的哈希值是唯一的

♢ 尽量让 key 的所有信息参与运算

◼ 在Java中，HashMap 的 key 必须实现 hashCode、equals 方法，也允许 key 为 null

(1) 数值类型-哈希计算：包括整型、Long类型、浮点型Float、Double类型

① 整型-哈希值计算

• 整型的哈希值，已经满足哈希值是整数的特点了，所以整型的哈希值是它本身。

  public static int hashCode(int value){
  	rerurn value;
  }
  

② 浮点型-哈希值计算

• 将浮点数对应的二进制数转成整数

  • float 类型，直接调用：Float对象的floatToIntBits方法，直接将float类型的数据对应的二进制数转成整数

  public static int hashCode(int value){
  	rerurn Float.floatToIntBits(value);
  }

• double 类型，直接调用：Double 对象的doubleToIntBits方法，直接将double类型的数据对应的二进制数转成整数

细节：java 要求哈希值必须是int 类型，是32位的，对于 long(64位)、double(64位) 类型超过32位的都需要进行处理：

• 将64位分成两部分，让 高32bit 和 低32bit 混合计算出 32bit 的哈希值，充分利用所有信息计算出哈希值。

// double 类型
public static int hashCode(int value){
    long bits = Double.DoubleToIntBits(value);
	rerurn (int)(bits ^ (bits >>> 32));
}

//long 类型
public static int hashCode(int value){
	rerurn (int)(value^(value >>> 32));
}

♢ 无符号的位运算>>> 和 异或运算^ 作用？

将64位分成两部分，让 高32bit 和 低32bit 混合计算出 32bit 的哈希值，充分利用所有信息计算出哈希值。

■ 补充一个细节：hash 函数，对哈希值进行右移16位后取异或

对哈希值的进一步处理：扰动计算，是哈希值分布更加均匀。

    static final int hash(Object key) {
	   int h = key.hashCode();
        return (h ^ (h >>> 16)) & (table.length - 1);//将哈希值低16位与高16 位进行混合，企图让哈希值分布更加均匀
    }

(3) 字符串-哈希值计算

• 利用字符串的字符本质是整数

例如：整数 5487 计算过程： 5 * 10^3 + 4 * 10^2 + 8 * 10^1 + 7 * 10^0

同理：字符串"kate",是由'k'、'a'、't'、'e' 组成：可以表示为 k * n^3 + a * n^2 + t * n^1 + e * n^0

​ 合并，减少计算次数，等价于 [(k * n + a) * n + t] * n + e

• java中 n=31，则[(k * n + a) * n + t] + e = [(k * 31 + a) * 31 + t] * 31 + e

  发现规律：当前字符a或t或e的哈希值：是先算出前面的字符*31 + 当前的字符

    public int hashCode() {
        int h = hash;
        if (h == 0 && value.length > 0) {
            char val[] = value;

            for (int i = 0; i < value.length; i++) {
                h = 31 * h + val[i];
            }
            hash = h;
        }
        return h;
    }

(4) 自定义对象-哈希值计算

• 对自定义对象的属性根据key类型计算得出哈希值后，进行相加

7、为什么需要重写 equals

​ 需要判断 key 是否相同，相同的话，直接用key 对应的value 覆盖掉原先的value

■ 为什么有hashCode 方法，比较 key 是否相同还需要 重写equals方法？

• 因为hashCode 方法的作用是 生成key的哈希值，而对于不同的key，比如key类型是不同，最后算出的哈希值却是相同，

  所以hashCode 方法并不能判断两个key是否相同，需要重写equals方法，进一步比较两个key是否相同。

■ 总结：hashCode 方法 和 equals 方法 作用是不同的？

• hashCode 方法：生成key的哈希值
• equals 方法：比较key是否相同

8、HashMap源码分析

(1) 了解重要的几个常量

Node<K,V>[] table;//哈希桶数组，明显它是一个Node的数组
// Node是HashMap的一个内部类，实现了Map.Entry接口，本质是就是一个映射(键值对)。

• HashMap就是使用哈希表来存储的。哈希表为解决冲突，可以采用开放地址法和链地址法等来解决问题，Java中HashMap采用了链地址法。链地址法，简单来说，就是数组加链表的结合。在每个数组元素上都一个链表结构，当数据被Hash后，得到数组下标，把数据放在对应下标元素的链表上。

• 减少哈希冲突，依靠：好的Hash算法和扩容机制

int DEFAULT_INITIAL_CAPACITY = 1 << 4; // 默认的哈希桶的长度 16,要求哈希桶的长度必须是2的n次方

/* 构造函数就是对下面几个字段进行初始化 */
int threshold;             // 可以容纳最大的Node个数(最大元素数目)
final float loadFactor;    // 负载因子,默认值是0.75
int modCount;  			  // 记录HashMap内部结构发生变化的次数
int size;				  // 节点的数量
// threshold = length * loadFactor 能容纳的最大节点个数=哈希桶容量*负载因子

• threshold就是在此loadFactor和length(数组长度)对应下允许的最大元素数目，超过这个数目就重新resize(扩容)，扩容后的HashMap容量是之前容量的两倍。

■ 要求哈希桶的长度必须是2的n次方？

HashMap采用这种非 常规设计(常规是设计成素数)，主要是为了在取模和扩容时做优化，同时为了减少冲突，HashMap定位哈希桶索引位置时，也加入了高位 参与运算的过程。

int TREEIFY_THRESHOLD = 8;		// 树化阀值
int MIN_TREEIFY_CAPACITY = 64;	// 树化哈希桶最小容量
int UNTREEIFY_THRESHOLD = 6;	// 树降级为链表的阀值

• 添加元素时，当哈希表容量 ≥ 64 且 单向链表的节点数量大于 8 时，单向链表转为红黑树来存储元素

(2) 了解几个重要的方法

■ 确定哈希桶数组索引位置

方法一：
static final int hash(Object key) {   //jdk1.8 & jdk1.7
     int h;
     // h = key.hashCode() 为第一步 取hashCode值
     // h ^ (h >>> 16)  为第二步 高位参与运算
     return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
方法二：
static int indexFor(int h, int length) {  //jdk1.7的源码，jdk1.8没有这个方法，但是实现原理一样的（在put方法中，有与运算来定位到索引位置）
     return h & (length-1);  //第三步 取模运算
}

总结：哈希函数将key换算成哈希桶数组的索引具体实现过程：

① 生成key的哈希值 ② 高位参与运算 ③ 取模运算

• 高位参与运算：将哈希值低16位与高16 位进行混合，企图让哈希值分布更加均匀
• 取模运算：定位到数组的索引位置

■ put 增加元素方法

    final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                   boolean evict) {
        Node<K,V>[] tab; Node<K,V> p; int n, i;
        if ((tab = table) == null || (n = tab.length) == 0)//判断哈希桶数组是否为空/是否存在，不存在-扩容
            n = (tab = resize()).length;
        if ((p = tab[i = (n - 1) & hash]) == null)//判断定位到的哈希桶数组的索引对应的元素是否为空/是否存在,不存在，直接创建插入该元素
            tab[i] = newNode(hash, key, value, null);
        else {//哈希桶数组的元素存在，那么判断key是否存在
            Node<K,V> e; K k;
            if (p.hash == hash &&
                ((k = p.key) == key || (key != null && key.equals(k))))
                e = p;//key存在，直接覆盖元素的值
            else if (p instanceof TreeNode)//key不存在，判断是否是一颗树节点
                e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);//是树节点，红黑树插入
            else {
                for (int binCount = 0; ; ++binCount) {//不是树节点，链表从头遍历插入该节点
                    if ((e = p.next) == null) {
                        p.next = newNode(hash, key, value, null);
                        if (binCount >= TREEIFY_THRESHOLD - 1) //插入后节点大于8，开始树化成红黑树
                            treeifyBin(tab, hash);
                        break;
                    }
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))//key存在，直接覆盖元素的值
                        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)//插入元素后判断是否大于 threshold(可以容纳的最大元素数目/节点数) --大于,则需要扩容
            resize();
        afterNodeInsertion(evict);
        return null;
    }

总结put时的思考点：

1、哈希表是否为空判断---空(需要扩容)

2、定位哈希表索引对应的元素是否为空判断---空(直接插入)

3、元素非空，判断key是否存在，存在直接覆盖

​ 不存在，判断该节点是否是一颗树节点，是树节点->红黑树插入

​ 不是树节点->链表插入，插入后判断节点数量是否大于8，大于8树化成红黑树

4、插入元素后判断是否大于 threshold(可以容纳的最大元素数目/节点数) --大于(需要扩容)

参考文章：美团技术团队 《Java 8系列之重新认识HashMap》

如果本文对你有帮助的话记得给一乐点个赞哦，感谢！