HashMap底层原理
# HashMap底层原理
# 概述
HashMap是Java中最常用的数据结构之一，基于哈希表实现，提供O(1)的平均查找、插入和删除性能。本文深入分析HashMap的底层实现原理，包括数据结构、哈希算法、扩容机制、红黑树优化等核心技术。
# HashMap基本结构
# 核心属性
public class HashMap<K,V> extends AbstractMap<K,V>
implements Map<K,V>, Cloneable, Serializable {
// 默认初始容量 16
static final int DEFAULT_INITIAL_CAPACITY = 1 << 4;
// 最大容量
static final int MAXIMUM_CAPACITY = 1 << 30;
// 默认负载因子
static final float DEFAULT_LOAD_FACTOR = 0.75f;
// 链表转红黑树的阈值
static final int TREEIFY_THRESHOLD = 8;
// 红黑树转链表的阈值
static final int UNTREEIFY_THRESHOLD = 6;
// 最小树化容量
static final int MIN_TREEIFY_CAPACITY = 64;
// 存储数据的数组
transient Node<K,V>[] table;
// 键值对数量
transient int size;
// 结构修改次数
transient int modCount;
// 扩容阈值
int threshold;
// 负载因子
final float loadFactor;
}
# Node节点结构
static class Node<K,V> implements Map.Entry<K,V> {
final int hash; // 哈希值
final K key; // 键
V value; // 值
Node<K,V> next; // 下一个节点
Node(int hash, K key, V value, Node<K,V> next) {
this.hash = hash;
this.key = key;
this.value = value;
this.next = next;
}
public final K getKey() { return key; }
public final V getValue() { return value; }
public final String toString() { return key + "=" + value; }
public final int hashCode() {
return Objects.hashCode(key) ^ Objects.hashCode(value);
}
public final V setValue(V newValue) {
V oldValue = value;
value = newValue;
return oldValue;
}
public final boolean equals(Object o) {
if (o == this)
return true;
if (o instanceof Map.Entry) {
Map.Entry<?,?> e = (Map.Entry<?,?>)o;
if (Objects.equals(key, e.getKey()) &&
Objects.equals(value, e.getValue()))
return true;
}
return false;
}
}
# 哈希算法
# hash()方法实现
static final int hash(Object key) {
int h;
// key为null时返回0，否则计算hashCode并进行扰动
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
扰动函数设计原理：
- 获取key的hashCode值
- 将hashCode的高16位与低16位进行异或运算
- 目的：让高位也参与到索引计算中，减少哈希冲突
# 索引计算
// 计算数组索引
int index = (table.length - 1) & hash;
为什么使用位运算：
- HashMap的容量总是2的幂次方
(n-1) & hash等价于hash % n，但位运算更快- 例如：容量16，n-1=15(1111)，与任何hash值相与都能得到0-15的索引
# 哈希冲突解决
HashMap使用链地址法解决哈希冲突：
// JDK 1.8之前：纯链表结构
// 数组 + 链表
// JDK 1.8及之后：数组 + 链表 + 红黑树
// 当链表长度超过8且数组长度大于64时，链表转换为红黑树
# 核心方法实现
# put()方法
public V put(K key, V value) {
return putVal(hash(key), key, value, false, true);
}
final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
boolean evict) {
Node<K,V>[] tab; Node<K,V> p; int n, i;
// 1. 如果table为空或长度为0，进行初始化
if ((tab = table) == null || (n = tab.length) == 0)
n = (tab = resize()).length;
// 2. 计算索引，如果该位置为空，直接插入
if ((p = tab[i = (n - 1) & hash]) == null)
tab[i] = newNode(hash, key, value, null);
else {
Node<K,V> e; K k;
// 3. 如果key已存在，记录该节点
if (p.hash == hash &&
((k = p.key) == key || (key != null && key.equals(k))))
e = p;
// 4. 如果是红黑树节点，调用红黑树插入方法
else if (p instanceof TreeNode)
e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
// 5. 链表处理
else {
for (int binCount = 0; ; ++binCount) {
// 遍历到链表末尾，插入新节点
if ((e = p.next) == null) {
p.next = newNode(hash, key, value, null);
// 链表长度达到阈值，转换为红黑树
if (binCount >= TREEIFY_THRESHOLD - 1)
treeifyBin(tab, hash);
break;
}
// 找到相同key，跳出循环
if (e.hash == hash &&
((k = e.key) == key || (key != null && key.equals(k))))
break;
p = e;
}
}
// 6. 如果key已存在，更新value
if (e != null) {
V oldValue = e.value;
if (!onlyIfAbsent || oldValue == null)
e.value = value;
afterNodeAccess(e);
return oldValue;
}
}
++modCount;
// 7. 检查是否需要扩容
if (++size > threshold)
resize();
afterNodeInsertion(evict);
return null;
}
# get()方法
public V get(Object key) {
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;
// 1. 检查table是否为空，计算索引位置
if ((tab = table) != null && (n = tab.length) > 0 &&
(first = tab[(n - 1) & hash]) != null) {
// 2. 检查第一个节点
if (first.hash == hash &&
((k = first.key) == key || (key != null && key.equals(k))))
return first;
// 3. 如果有后续节点
if ((e = first.next) != null) {
// 红黑树查找
if (first instanceof TreeNode)
return ((TreeNode<K,V>)first).getTreeNode(hash, key);
// 链表查找
do {
if (e.hash == hash &&
((k = e.key) == key || (key != null && key.equals(k))))
return e;
} while ((e = e.next) != null);
}
}
return null;
}
# remove()方法
public V remove(Object key) {
Node<K,V> e;
return (e = removeNode(hash(key), key, null, false, true)) == null ?
null : e.value;
}
final Node<K,V> removeNode(int hash, Object key, Object value,
boolean matchValue, boolean movable) {
Node<K,V>[] tab; Node<K,V> p; int n, index;
// 1. 检查table和目标位置
if ((tab = table) != null && (n = tab.length) > 0 &&
(p = tab[index = (n - 1) & hash]) != null) {
Node<K,V> node = null, e; K k; V v;
// 2. 检查第一个节点
if (p.hash == hash &&
((k = p.key) == key || (key != null && key.equals(k))))
node = p;
// 3. 查找目标节点
else if ((e = p.next) != null) {
if (p instanceof TreeNode)
node = ((TreeNode<K,V>)p).getTreeNode(hash, key);
else {
do {
if (e.hash == hash &&
((k = e.key) == key ||
(key != null && key.equals(k)))) {
node = e;
break;
}
p = e;
} while ((e = e.next) != null);
}
}
// 4. 删除节点
if (node != null && (!matchValue || (v = node.value) == value ||
(value != null && value.equals(v)))) {
if (node instanceof TreeNode)
((TreeNode<K,V>)node).removeTreeNode(this, tab, movable);
else if (node == p)
tab[index] = node.next;
else
p.next = node.next;
++modCount;
--size;
afterNodeRemoval(node);
return node;
}
}
return null;
}
# 扩容机制
# resize()方法
final Node<K,V>[] resize() {
Node<K,V>[] oldTab = table;
int oldCap = (oldTab == null) ? 0 : oldTab.length;
int oldThr = threshold;
int newCap, newThr = 0;
// 1. 计算新容量和新阈值
if (oldCap > 0) {
// 已达到最大容量
if (oldCap >= MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return oldTab;
}
// 容量翻倍
else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
oldCap >= DEFAULT_INITIAL_CAPACITY)
newThr = oldThr << 1;
}
else if (oldThr > 0)
newCap = oldThr;
else {
// 初始化
newCap = DEFAULT_INITIAL_CAPACITY;
newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
}
if (newThr == 0) {
float ft = (float)newCap * loadFactor;
newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
(int)ft : Integer.MAX_VALUE);
}
threshold = newThr;
Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
table = newTab;
// 2. 数据迁移
if (oldTab != null) {
for (int j = 0; j < oldCap; ++j) {
Node<K,V> e;
if ((e = oldTab[j]) != null) {
oldTab[j] = null;
// 只有一个节点
if (e.next == null)
newTab[e.hash & (newCap - 1)] = e;
// 红黑树
else if (e instanceof TreeNode)
((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
// 链表
else {
Node<K,V> loHead = null, loTail = null;
Node<K,V> hiHead = null, hiTail = null;
Node<K,V> next;
do {
next = e.next;
// 原索引
if ((e.hash & oldCap) == 0) {
if (loTail == null)
loHead = e;
else
loTail.next = e;
loTail = e;
}
// 原索引 + oldCap
else {
if (hiTail == null)
hiHead = e;
else
hiTail.next = e;
hiTail = e;
}
} while ((e = next) != null);
// 放置到新数组
if (loTail != null) {
loTail.next = null;
newTab[j] = loHead;
}
if (hiTail != null) {
hiTail.next = null;
newTab[j + oldCap] = hiHead;
}
}
}
}
}
return newTab;
}
# 扩容优化
JDK 1.8的扩容优化：
// 扩容时，元素要么在原位置，要么在原位置+oldCap
// 通过 (e.hash & oldCap) 判断：
// - 结果为0：保持原索引
// - 结果为1：新索引 = 原索引 + oldCap
// 例如：oldCap = 16, newCap = 32
// hash = 5: 5 & 16 = 0, 新索引 = 5
// hash = 21: 21 & 16 = 16, 新索引 = 5 + 16 = 21
# 红黑树优化
# TreeNode结构
static final class TreeNode<K,V> extends LinkedHashMap.Entry<K,V> {
TreeNode<K,V> parent; // 父节点
TreeNode<K,V> left; // 左子节点
TreeNode<K,V> right; // 右子节点
TreeNode<K,V> prev; // 前驱节点（维护插入顺序）
boolean red; // 颜色
TreeNode(int hash, K key, V val, Node<K,V> next) {
super(hash, key, val, next);
}
// 返回根节点
final TreeNode<K,V> root() {
for (TreeNode<K,V> r = this, p;;) {
if ((p = r.parent) == null)
return r;
r = p;
}
}
}
# 链表转红黑树
final void treeifyBin(Node<K,V>[] tab, int hash) {
int n, index; Node<K,V> e;
// 如果数组长度小于64，优先扩容而不是树化
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;
// 1. 将链表节点转换为树节点
do {
TreeNode<K,V> p = replacementTreeNode(e, null);
if (tl == null)
hd = p;
else {
p.prev = tl;
tl.next = p;
}
tl = p;
} while ((e = e.next) != null);
// 2. 构建红黑树
if ((tab[index] = hd) != null)
hd.treeify(tab);
}
}
# 红黑树查找
final TreeNode<K,V> getTreeNode(int h, Object k) {
return ((parent != null) ? root() : this).find(h, k, null);
}
final TreeNode<K,V> find(int h, Object k, Class<?> kc) {
TreeNode<K,V> p = this;
do {
int ph, dir; K pk;
TreeNode<K,V> pl = p.left, pr = p.right, q;
// 根据hash值比较
if ((ph = p.hash) > h)
p = pl;
else if (ph < h)
p = pr;
// hash相等，比较key
else if ((pk = p.key) == k || (k != null && k.equals(pk)))
return p;
// hash相等但key不等，继续查找
else if (pl == null)
p = pr;
else if (pr == null)
p = pl;
// 使用Comparable接口比较
else if ((kc != null ||
(kc = comparableClassFor(k)) != null) &&
(dir = compareComparables(kc, k, pk)) != 0)
p = (dir < 0) ? pl : pr;
// 递归查找
else if ((q = pr.find(h, k, kc)) != null)
return q;
else
p = pl;
} while (p != null);
return null;
}
# 线程安全问题
# 并发问题
1. 数据丢失
// 两个线程同时put，可能导致数据丢失
Thread1: put("key1", "value1")
Thread2: put("key2", "value2")
// 如果hash冲突，后执行的可能覆盖前面的
2. 死循环（JDK 1.7）
// JDK 1.7的扩容过程中，并发操作可能导致链表形成环
// JDK 1.8通过改进扩容算法解决了这个问题
3. 数据不一致
// 扩容过程中的读操作可能读到不一致的数据
# 解决方案
1. Collections.synchronizedMap()
Map<String, String> map = Collections.synchronizedMap(new HashMap<>());
// 在每个方法上加synchronized，性能较差
2. ConcurrentHashMap
Map<String, String> map = new ConcurrentHashMap<>();
// 使用分段锁（JDK 1.7）或CAS+synchronized（JDK 1.8）
3. ThreadLocal
ThreadLocal<Map<String, String>> threadLocalMap =
ThreadLocal.withInitial(HashMap::new);
// 每个线程独立的HashMap实例
# 性能优化
# 1. 初始容量设置
// 根据预期元素数量设置初始容量
int expectedSize = 1000;
int initialCapacity = (int) (expectedSize / 0.75f) + 1;
Map<String, String> map = new HashMap<>(initialCapacity);
# 2. 负载因子选择
// 默认负载因子0.75是时间和空间的折中
// 更小的负载因子：更少冲突，更多内存
// 更大的负载因子：更多冲突，更少内存
Map<String, String> map = new HashMap<>(16, 0.6f);
# 3. key的hashCode优化
public class OptimizedKey {
private final String value;
private final int hashCode;
public OptimizedKey(String value) {
this.value = value;
this.hashCode = value.hashCode(); // 缓存hashCode
}
@Override
public int hashCode() {
return hashCode; // 直接返回缓存值
}
@Override
public boolean equals(Object obj) {
if (this == obj) return true;
if (!(obj instanceof OptimizedKey)) return false;
OptimizedKey other = (OptimizedKey) obj;
return Objects.equals(value, other.value);
}
}
# 实际应用场景
# 1. 缓存实现
public class LRUCache<K, V> extends LinkedHashMap<K, V> {
private final int capacity;
public LRUCache(int capacity) {
super(capacity, 0.75f, true);
this.capacity = capacity;
}
@Override
protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
return size() > capacity;
}
}
# 2. 计数器
public class Counter {
private final Map<String, Integer> counts = new HashMap<>();
public void increment(String key) {
counts.merge(key, 1, Integer::sum);
}
public int getCount(String key) {
return counts.getOrDefault(key, 0);
}
}
# 3. 索引构建
public class InvertedIndex {
private final Map<String, Set<Integer>> index = new HashMap<>();
public void addDocument(int docId, String content) {
String[] words = content.split("\\s+");
for (String word : words) {
index.computeIfAbsent(word.toLowerCase(),
k -> new HashSet<>()).add(docId);
}
}
public Set<Integer> search(String word) {
return index.getOrDefault(word.toLowerCase(),
Collections.emptySet());
}
}
# 版本演进
# JDK 1.7 vs JDK 1.8
| 特性 | JDK 1.7 | JDK 1.8 |
|---|---|---|
| 数据结构 | 数组+链表 | 数组+链表+红黑树 |
| 插入方式 | 头插法 | 尾插法 |
| 扩容优化 | 重新计算hash | 位运算优化 |
| 树化阈值 | 无 | 链表长度>8且数组长度>64 |
| 并发安全 | 可能死循环 | 避免了死循环 |
# 关键改进
1. 红黑树优化
- 最坏情况下查找时间复杂度从O(n)降到O(logn)
- 避免了恶意hash攻击
2. 扩容优化
- 避免重新计算hash值
- 保持链表顺序，避免死循环
3. hash函数优化
- 高16位参与运算，减少冲突
# 总结
HashMap的高效性能源于其精心设计的实现：
- 哈希算法：扰动函数减少冲突，位运算提高性能
- 动态扩容：保持合适的负载因子，优化的扩容算法
- 红黑树优化：解决链表过长的性能问题
- 内存布局：紧凑的数据结构，良好的缓存局部性
理解HashMap的底层原理，有助于我们：
- 正确使用HashMap，避免性能陷阱
- 设计高质量的hashCode方法
- 选择合适的初始容量和负载因子
- 在并发场景下选择合适的替代方案
HashMap作为Java集合框架的核心组件，其设计思想和优化技巧值得深入学习和借鉴。