HashMap源码
put做了什么操作
第一次put
public V put(K key, V value) {
return putVal(hash(key), key, value, false, true);
}
首先进入这里 然后可以看见有一个hash(key) 进入这个函数中
static final int hash(Object key) {
int h;
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
如果key为null 返回 0 否则就对这个key求hashcode 其实就是求ASCII码 比如key为a 那么 求的hashcode就是97 然后异或上 97右移动16位
为什么要异或 当前掩码的右移16位?
首先要了解为什么要用异或运算 而不是与运算或者或运算
举个例子 00 01 10 11 二进制码会有这些排列 如果对这些排列做或运算(有1为1,全0为0) 则得到结果为1 的概率是3/4 得到0的概率是1/4 而如果是异或运算(相异为1,相同为0) 那么 得到0和1 的概率就都是1/2 因此符合散列的随机性,所以用异或
为什么要右移16位?
因为hashcode int 类型 4个字节 ,一个字节8位(bit) 则一共是32位 我们一般来说绝大部分都是跟后16位进行取模求数组坐标,因此前16位没有用上,因此发生hash冲突的概率并不随机,如果想让hash冲突的概率是符合散列的那么就得前16位也要参与位运算, 因此将hashcode 右移16位就得到了前16位然后 再与hashcode 进行异或运算就可以得到一个32位都参与运算的符合散列特性的hash值 这样也使得hash冲突更少了因此更加随机.
进入putVal方法里面
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){
n = (tab = resize()).length;
}
if ((p = tab[i = (n - 1) & hash]) == null){
tab[i] = newNode(hash, key, value, null);
}else{
Node<K,V> e; K k;
if (p.hash == hash &&((k = p.key) == key || (key != null && key.equals(k)))){
e = p;
}else if(p instanceof TreeNode){
e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
}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;
}
}
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)
resize();
afterNodeInsertion(evict);
return null;
}
首先进入resize方法里面
final Node<K,V>[] resize() {
Node<K,V>[] oldTab = table;
int oldCap = (oldTab == null) ? 0 : oldTab.length;
int oldThr = threshold;
int newCap, newThr = 0;
if (oldCap > 0) {
if (oldCap >= MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return oldTab;
}
else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
oldCap >= DEFAULT_INITIAL_CAPACITY)
newThr = oldThr << 1; // double threshold
}
else if (oldThr > 0) // initial capacity was placed in threshold
newCap = oldThr;
else { // zero initial threshold signifies using defaults
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;
@SuppressWarnings({"rawtypes","unchecked"})
Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
table = newTab;
if (oldTab != null) {
for (int j = 0; j < oldCap; ++j) {
Node<K,V> e;
if ((e = oldTab[j]) != null) {
oldTab[j] = null;
if (e.next == null)
newTab[e.hash & (newCap - 1)] = e;
else if (e instanceof TreeNode)
((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
else { // preserve order
Node<K,V> loHead = null, loTail = null;
Node<K,V> hiHead = null, hiTail = null;
Node<K,V> next;
do {
next = e.next;
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);
if (loTail != null) {
loTail.next = null;
newTab[j] = loHead;
}
if (hiTail != null) {
hiTail.next = null;
newTab[j + oldCap] = hiHead;
}
}
}
}
}
return newTab;
}
- threshold 就是初始的大小然后乘以0.75扩展因子 如果加入的元素个数超过了threshold 就会进行resize操作
- resize 在对于第一次put 的时候的操作很简单,就是初始化Node数组的长度为默认的16 然后计算加入元素到第几个数需要进行扩容操作然后根据这个数来初始化Node数组然后将Node数组返回 然后就得到了数组的长度,接下来就根据这个长度与传入的hash值进行与运算,然后得到Node数组的坐标i,然后判断Node[i]是否为空,由于是第一次进行put操作所以是空的于是就在该坐标下new 一个Node 然后把key的值 value的值 以及key的hash值都存进去,然后modCount这个数加一,这个数表示hash表修改的次数.然后就进行判断当前的Node个数超过了threshold 就进行 resize()方法扩容.
- HashMap的扩容在1.8的时候进行了优化,例如初始化大小为16,当发生扩容操作的时候原哈希值与扩容新增出来的长度16,进行&运算,如果值等于0,则下标位置不变。如果不为0,那么新的位置则是原来位置上加16。
get做了什么操作
- 第一步计算key 的hash值
- 然后与上当前的hashMap的大小 然后得到Node数组的索引
- 然后判断该Node索引所在是否为null 如果不为null 那么比较该node的hash值是否跟开头计算的值一样并且该索引的地址是否一样或者字符串内容是否一样如果一样就返回该索引的node
一致性hash
-
一致性hash就是一般来说为了使得分布式系统的数据保存具有稳定性
因为通常的数据保存,比如说,用redis缓存数据,有多个redis的服务器, 这个个数作为数据取模的数量, 例如redis服务器有6个 则一个数据object1 存储在哪个服务器就这样计算 hash(object) mod 6 然后得到0-6中的某个 则是存到哪个redis服务器上,这个方法有缺陷,例如当关闭一个服务器的时候取模的数量就变成了 5 所有的key都要从新进行计算存到哪个服务器,这样就有可能会使得网络资源被占用, 同理 增加一个服务器 的代价也很大. -
因此需要用一致性hash算法,一致性hash算法就是将所有的redis服务器通过hash映射到一个圆环范围内,例如说0-2的32次方 这个圆环保证了取模的数不变都是 2的32次方,因此先把服务器 hash(服务器ip or 名称) mod 2的32次方然后使得服务器映射到 了圆环里面,然后对数据进行hash映射到圆环中,该数据顺时针运动遇到的第一个机器就是存入的机器. 这样的话假如增加了一个机器它只是会影响某一个机器的存的数据 其他的机器就不会收到影响,同理挂了一个机器,那么那个机器的所有的数据都会存到当前机器的下一个机器,代价也不高,都只会影响一个机器,
-
但是这个也有一个缺点,例如说只有两个机器并且这两个机器在圆环的位置很近,这样就导致了一个机器中的数据很多,另一个数据中的数据很少,这样如果有一个机器挂了,很有可能会导致另一个机器雪崩,此时的解决办法就是每台机器多加几个虚拟节点,也就是对同一个机器多次hash 然后生成多个位置. 这就解决了服务器可能雪崩的情况了