前言
HashMap是程序设计里的常见数据结构，用于映射（Key-Value）场景。本文结合源码探讨HashMap的存储结构和功能实现。相对 JDK 7，JDK 8 对HashMap进行了大量优化，考虑到 JDK 8 已经是目前最流行的版本，所以，本文只关注JDK 8中的实现。
什么是HashMap
首先 Map 是一个拥有键(key) - 值(value)的数据结构的抽象，一个 key 值对应一个 value。HashMap 是 Map 的一个基于哈希(hash)表的实现。
工作原理
存储结构
HashMap 内部存储结构由数组、链表、红黑树三部分组成。如图：
Java8 HashMap 结构
核心原理简述
Map 接口定义了put(key, value)方法用于向 Map 中增加数据，get(key)方法查询key对应的value对象。
当调用put(key,value)方法时，先对key进行hash得到hash值，对 table(数组)长度取模得出 table 的下标 i，如果table[i]没有元素，就赋值table[i].value = value，如果已经有值，且key不相同，此时table[i]充当的是链表的头，遍历找到链表的尾节点，并把value赋值给尾节点，如果此时链表的长度达到 8，调用treeifyBin()方法将链表转换为红黑树(同理remove元素后，如果树元素小于8再转换回链表)，增加元素后如果元素数量超过threshold将进行扩容resize()。
注意，在put的过程中，如果遇到key与已存储数据的key相同的，则覆盖，并返回旧值，否则返回null。
下边从字段开始，逐一讲述HashMap的核心原理。
字段
/**
* 这就是Node数组了，Node继承了Map.Entry接口，所以本文中Entry和Node
* 是等价的
*/
transient Node<K,V>[] table;
/**
* 所有键-值对的集合
*/
transient Set<Map.Entry<K,V>> entrySet;
/**
* 已经存在的元素数量
*/
transient int size;
/**
* 与ConcurrentModificationException有关，本文不详述，另发文详解
*/
transient int modCount;
/**
* 下次需要扩容的临界值，size >= threshold就会扩容
*/
int threshold;
/**
* 负载因子，threshold = 容器容量 * loadFactor。默认值0.75f。
*/
final float loadFactor;
构造方法
总共四个构造方法：
public HashMap() {
this.loadFactor = DEFAULT_LOAD_FACTOR; // all other fields defaulted
}
public HashMap(int initialCapacity) {
this(initialCapacity, DEFAULT_LOAD_FACTOR);
}
public HashMap(int initialCapacity, float loadFactor) {
if (initialCapacity < 0)
throw new IllegalArgumentException("Illegal initial capacity: " +
initialCapacity);
if (initialCapacity > MAXIMUM_CAPACITY)
initialCapacity = MAXIMUM_CAPACITY;
if (loadFactor <= 0 || Float.isNaN(loadFactor))
throw new IllegalArgumentException("Illegal load factor: " +
loadFactor);
this.loadFactor = loadFactor;
this.threshold = tableSizeFor(initialCapacity);
}
public HashMap(Map<? extends K, ? extends V> m) {
this.loadFactor = DEFAULT_LOAD_FACTOR;
putMapEntries(m, false);
}
重点看参数最多的第三个构造方法就可以了，前边两个无非是使用默认值。第四个是将其他Map对象作为参数。总之从逻辑上，最终都会调用第三个构造方法。
默认负载因子是0.75f，一般不需要修改，默认初始容量是16，最大容量是1<<30(2^30)。
第三个构造方法有两个参数，loadFactor和initialCapacity，loadFactor是负载因子，默认是0.75由柏松分布得出，一般不需要改动，下文有介绍。initialCapacity是初始容量，传给tableSizeFor()，得到的结果赋值给threshold。这里需要注意的是，前文提到threshold等于容器容量 * loadFactory，与这里似乎矛盾，其实在resize()方法中，会对threshold重新赋值，至于作者为什么不单独管理一个capacity变量，选择复用threshold，可能是因为在第一次resize()以后就不再需要这个变量了，同时可以精简代码行数。
tableSizeFor()方法
构造方法中关键点是this.threshold = tableSizeFor(initialCapacity);它的作用确保数组的长度是2的幂，至于为什么下文会提及，我们看tableSizeFor()的内部实现：
/**
* Returns a power of two size for the given target capacity.
*/
static final int tableSizeFor(int cap) {
int n = cap - 1;
n |= n >>> 1;
n |= n >>> 2;
n |= n >>> 4;
n |= n >>> 8;
n |= n >>> 16;
return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
}
这就很有意思了，一串位运算，方法注释说这个方法是将capacity转换为一个不比capacity小的最小2的幂，即2^n形式的数。这是怎么做到的呢。
先看中间部分：
n |= n >>> 2;
n |= n >>> 4;
n |= n >>> 8;
n |= n >>> 16;
这段代码的作用是将n的有效位全部变为1，看一个极端的情况，只有最高为1，比如
tableSizeFor原理
可以看到最高位的1，在第一步向右传递1位，高2位都变成了1，第二步，高2位向右传递2位，高4位变成了1，第三步，高4位向右传递4位，高8位变成了1，第四步，高8位向右传递8位，高11位变成了1，至此，所有位都是1了，后边再做多少次异或
|操作所有位都会是1。
由于Java中 int 是32位，所以经过这五步之后，能够保证任意n的全部有效位都变为1，这时 n 就是 2的幂 - 1，所以要想得到 2的幂 只需要 +1 就可以了。
注意，如果n本来就是2的幂，比如图例中的n = 1024(也就是2^10)，n 的全部位变为1，即2047(也就是2^11 - 1)，再加1就变成了2^11，n的2倍。这样就导致了存储空间有一半浪费。所以，int n = cap - 1;开始运算之前先减1，就是为了避免capacity本来就是2的幂，最终得到的是capacity的2倍。
最后，处理n<0(此时capactiy==0, 因为构造方法中已经过滤了capacity < 0的情况)，和 n大于最大值。
put方法
public V put(K key, V value) {
return putVal(hash(key), key, value, false, true);
}
put()中先对key进行hash，再调用实际的putVal()方法。
hash()方法
static final int hash(Object key) {
int h;
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
当key == null时hash的结果是0，说明HashMap支持key==null。如果key != null，将key.hashCode与它的高位进行异或。之所以这样做，是因为hash值最终要用于定位哈希桶数组的位置，而哈希桶数组的长度是合数（2的幂），做取模运算时经常在低位就取得了模数，高位很难参与运算，从而造成大量碰撞。为解决这个问题，平衡了速度、效果和质量之后选择了高位异或的方式，让高位参与到定位哈希桶位置的计算中来。这样在某种程度上降低了hash碰撞，如果仍然发生碰撞，问题也不大，因为当发生大量碰撞（大于8）后，链表会转换为红黑树，检索效率也不算低。
putVal()方法
阅读之前需要掌握的知识点: Java中赋值语句的返回值是赋值符号(=)的右值，即
c = (a = b); // c == b
/**
* Implements Map.put and related methods.
*
* @param hash hash for key
* @param key the key
* @param value the value to put
* @param onlyIfAbsent if true, don't change existing value
* @param evict if false, the table is in creation mode.
* @return previous value, or null if none 返回key对应的旧的value
*/
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 第一次调用put方法时先初始化 table，
if ((tab = table) == null || (n = tab.length) == 0)
n = (tab = resize()).length;
//② 定位key在hash表中的位置
//③ 如果节点还是空的，直接赋值
if ((p = tab[i = (n - 1) & hash]) == null)
tab[i] = newNode(hash, key, value, null);
else {
//④ 节点不是空。e 是key相同的旧桶。
Node<K,V> e; K k;
//⑤ key相同，标记旧节点e
if (p.hash == hash &&
((k = p.key) == key || (key != null && key.equals(k))))
e = p;
//⑥ 节点是树，说明已经转换为红黑树
else if (p instanceof TreeNode)
e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
//⑦ 节点还是链表，如果没有遇到相同key，就将对象加到链表尾部，之后判断长度如果超过8，转换为红黑树。遇到相同key，标记e = 旧值。
else {
for (int binCount = 0; ; ++binCount) {
if ((e = p.next) == null) {
p.next = newNode(hash, key, value, null);
if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
treeifyBin(tab, hash);
break;
}
if (e.hash == hash &&
((k = e.key) == key || (key != null && key.equals(k))))
break;
p = e;
}
}
// ⑧ 判断是否需要替换已有的节点, 返回旧值
if (e != null) { // existing mapping for key
V oldValue = e.value;
if (!onlyIfAbsent || oldValue == null)
e.value = value;
afterNodeAccess(e);
return oldValue;
}
}
// modeCount 与 ConcurrentModificationException有关，另行讲述
++modCount;
// ⑨ 计数器+1，如果大于阈值，进行扩容。返回null。
if (++size > threshold)
resize();
afterNodeInsertion(evict);
return null;
}
putVal()的过程上图中的注释已经说的比较清楚了，有几个点需要注意。
-
定位算法
i = (n - 1) & hash
通常应该是取模%运算，为什么这里是 & 呢。
前文提到哈希桶数组的length是2的幂，此时hash % length与hash & (length - 1)等价，读者可以自己用二进制计算一下。简直妙不可言。 -
threshold为什么是0.75f
看一下HashMap源码的部分注释：
* In
* usages with well-distributed user hashCodes, tree bins are
* rarely used. Ideally, under random hashCodes, the frequency of
* nodes in bins follows a Poisson distribution
* (http://en.wikipedia.org/wiki/Poisson_distribution) with a
* parameter of about 0.5 on average for the default resizing
* threshold of 0.75, although with a large variance because of
* resizing granularity. Ignoring variance, the expected
* occurrences of list size k are (exp(-0.5) * pow(0.5, k) /
* factorial(k)). The first values are:
*
* 0: 0.60653066
* 1: 0.30326533
* 2: 0.07581633
* 3: 0.01263606
* 4: 0.00157952
* 5: 0.00015795
* 6: 0.00001316
* 7: 0.00000094
* 8: 0.00000006
* more: less than 1 in ten million
当选用随机哈希算法时，发生碰撞的概率符合泊松分布，如果选择threshold=0.75f，链表的长度大于8（碰撞8次）是小概率事件，此时数组空间浪费率<=25%，链表长度为8，检索效率依然较高。假设threshold=0.5，链表长度更小，但数组空间浪费率<=50%，如果threshold=1.0，元素数量等于capacity时才扩容，后果是链表过长，空间浪费率很低，但检索效率降低。所以，链表长度为8，threshold=0.75 一般是比较合理的选择。如果实际场景中如果对空间或时间有较高要求，可以适当调整。
以上是基于随机哈希算法的前提，实际哈希算法不可能完美，可能对于某些key的hash碰撞率很高，从而导致链表过长。至于这一点也不需要太担心，因为当链表长度大于8时会自动转换为红黑树，红黑树是平衡二叉树的一种，拥有较高的查询效率，限于篇幅，并且红黑树属于独立的知识点，本文不对红黑树展开讲述。
综上，选择一个合适的hash算法是很重要的，这需要在实际业务中不断尝试摸索。
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 非首次扩容
if (oldCap > 0) {
// ② 超出最大容量
if (oldCap >= MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return oldTab;
}
// ③ capacity扩大2倍，如果还没超出最大值threshold也扩大2倍
else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
oldCap >= DEFAULT_INITIAL_CAPACITY)
newThr = oldThr << 1; // double threshold
}
// ④ 调用两个有参构造方法后的第一次初始化
else if (oldThr > 0) // initial capacity was placed in threshold
newCap = oldThr;
// ⑤ 调用无参构造方法后的第一次初始化
else { // zero initial threshold signifies using defaults
newCap = DEFAULT_INITIAL_CAPACITY;
newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
}
// ⑥ ③条件不满足或④执行后，newThr==0，threshold赋值，如果没有溢出的话，threshold= capacity * loadFactor，否则等于最大值。
if (newThr == 0) {
float ft = (float)newCap * loadFactor;
newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
(int)ft : Integer.MAX_VALUE);
}
threshold = newThr;
@SuppressWarnings({"rawtypes","unchecked"})
// ⑦ 用新长度初始化新的哈希桶数组
Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
// ⑧ 下边是将旧数据复制到新数组中的过程
table = newTab;
if (oldTab != null) {
// ⑨ 遍历数组的每一个节点
for (int j = 0; j < oldCap; ++j) {
Node<K,V> e;
if ((e = oldTab[j]) != null) {
oldTab[j] = null;
// ⑩ 如果节点只有一个元素，直接计算在新数组中的位置并赋值
if (e.next == null)
// 计算元素在新数组的位置，还是同样的配方，等价于 e.hash % newCap
newTab[e.hash & (newCap - 1)] = e;
// ⑪ 如果节点是树，进行处理
else if (e instanceof TreeNode)
((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
// ⑫ 如果节点是长度大于1的链表，链表中的每一个节点，要么按顺序移动到新数组中的相同位置，要么按顺序移动到新数组的 (当前位置 + oldCap) 处。
else { // preserve order
Node<K,V> loHead = null, loTail = null;
Node<K,V> hiHead = null, hiTail = null;
Node<K,V> next;
// ⑬ 遍历链表
do {
next = e.next;
// ⑭ 此处有黑科技，下文有介绍。目前只需知道loHead 是要放到新数组相同位置的链表，hiHead 是要移动到 (当前位置 + oldCap) 的链表。
if ((e.hash & oldCap) == 0) {
if (loTail == null)
loHead = e;
else
loTail.next = e;
loTail = e;
}
else {
if (hiTail == null)
hiHead = e;
else
hiTail.next = e;
hiTail = e;
}
} while ((e = next) != null);
// ⑮ 将分组的原链表移动到新数组
if (loTail != null) {
loTail.next = null;
newTab[j] = loHead;
}
if (hiTail != null) {
hiTail.next = null;
newTab[j + oldCap] = hiHead;
}
}
}
}
}
return newTab;
}
上图源码中，标⑭的位置，如何通过(e.hash & oldCap) == 0就能判断是否需要在当前位置 + oldCap呢。
按照正常的逻辑，应该用e.hash & (newCap - 1)，大家可以想象，newCap - 1 与 oldCap - 1 相比多了一个1，这一位正好是oldCap 的最高位（oldCap 和 newCap 都是2的幂，只有最高位是1，其他位都是0）。所以，只要判断e.hash & oldCap是0还是1，如果是0，e.hash & (newCap - 1) == e.hash & (oldCap - 1) ，反之，将大整整一个oldCap。看图例：
图例
线程安全性
HashMap不是线程安全的，编程时需注意。这一点将来与线程安全的ConcurrentHashMap一起讨论。
总结
- HashMap内部存储结构由数组、链表、红黑树组成。链表长度大于8时转为红黑树，元素数量大于threshold时进行扩容。
- threshold=0.75f，是均衡了空间开销和时间开销之后的结果，一般不需要修改。
- 扩容时开销较大，最好在初始化之前指定一个合适的capacity，提高性能。
- 源码中基于2的幂做了大量优化，位运算也值得学习。
未尽之处
- HashMap线程安全问题（与ConcurrentHashMap一起讨论）
- modCount的作用（以后补充）
- 红黑树（另行发文）
- 迭代器（另行发文）
网友评论