HashMap在Java里是怎么工作的

本文翻译自 Coding Geek, 原文地址

绝大多数Java开发者都在使用Map类，尤其是HashMap。HashMap是一种简单易用且强大的存取数据的方法。但是，有多少人知道HashMap内部是如何工作的？几天前，为了对这个基本的数据结构有深入的了解，我阅读大量的HashMap源码（开始是Java7，然后是Java8）。在这篇文章里，我会解释HashMap的实现，介绍Java8的新实现，聊一聊性能，内存，还有使用HashMap时已知的一些问题

内部存储

HashMap 类实现了Map<k,v>接口，这个接口的基本主要方法有：

• V put(K key, V value)
• V get(Object key)
• V remove(Object key)
• Boolean containsKey(Object key)

HashMap使用了内部类Entry<k,v>来存储数据，这个类是一个带有两个额外数据的简单 键-值对 结构：

• 一个是另一个Entry<k,v>的引用，这样HashMap可以像单独的链表一样存储数据
• 一个hash值，代表了key的哈希值，避免了HashMap每次需要的时候再来计算

下面是Java7里Entry的部分实现：

static class Entry<K,V> implements Map.Entry<K,V> {
        final K key;
        V value;
        Entry<K,V> next;
        int hash;
…
}

HashMap存储数据到多个单独的entry链表里，所有的链表都登记到一个Entry数组里(Entry<K,V>[] array)，并且这个内部数组默认容量是16。

下面的图片展示了一个HashMap实例的内部存储，一个可为null的Entry数组，每一个Entry都可以链接到另一个Entry来形成一个链表：

所有具有相同哈希值的key都会放到同一个链表里，具有不同哈希值的key最终也有可能在同一个链表里。

当一个使用者调用 put(K key, V value)或者get(Object key)这些方法时，会先计算这个Entry应该存放的链表在内部数组中的索引(index)，然后方法会迭代整个链表来寻找具有相同key的Entry(使用key的 equals()方法)

get()方法，会返回这个Entry关联的value值（如果Entry存在）
put(K key, V value)方法，如果Entry存在则重置value值，如果不存在，则以key,value参数构造一个Entry并插入到链表的头部。

获取链表在数组内的索引通过三个步骤确定：

• 首先获取Key的哈希值
• 对哈希值再次进行哈希运算，避免出现一个很差的哈希算法，把所有的数据放到内部数组的同一个链表里
• 对再次哈希的哈希值进行数组长度(最小为1)的位掩码运算,这个运算保证生成的索引不会比数组的长度大，你可以把它当成一个优化过的取模运算

下面是Java7 和 Java8处理索引的源代码：

// the "rehash" function in JAVA 7 that takes the hashcode of the key
static int hash(int h) {
    h ^= (h >>> 20) ^ (h >>> 12);
    return h ^ (h >>> 7) ^ (h >>> 4);
}
// the "rehash" function in JAVA 8 that directly takes the key
static final int hash(Object key) {
    int h;
    return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    }
// the function that returns the index from the rehashed hash
static int indexFor(int h, int length) {
    return h & (length-1);
}

为了更高效的运作，内部数组的大小必须是2的指数大小，让我们来看看这是为什么。

想象一下数组大小是17，掩码值就是16（size-1），16的二进制表示是 0…010000，那么对于任何哈希值H通过位运算H AND 16得到的索引就只会是16或者0，这意味着17大小的链表数组只会使用到两个：索引为0的和索引为16的，非常浪费。

但是，如果你取2的指数大小例如16，位运算是 H AND 15,15的二进制表示是 0…001111, 那么取索引的运算就会输出0~15之间的值，大小16的数据就能完全使用到。举例：

• 如果H = 952 二进制表示为 0..0111011 1000, 相关的索引就是 0…01000 = 8
• 如果H = 1576 二进制表示为 0..01100010 1000, 相关的索引就是 0…01000 = 8
• 如果H = 12356146 二进制表示为 010111100100010100011 0010， 相关的索引就是 0…00010 = 2
• 如果H = 59843 二进制表示为 0111010011100 0011， 相关的索引就是 0…00011 = 3

这就是为什么数组的大小必须是2的指数大小，这个机制对开发人员是透明的，如果选择了一个37大小的HashMap，那么Map会自动选择37之后的一个2的指数大小(64)来做为内部数组的容量。

自动调整大小

我们获取到索引之后，函数(put，get或者remove) 访问/迭代 关联的链表，检查是否有指定key对应的Entry。 不做改动的话，这个机制会带来性能问题，因为这个函数会遍历整个链表来检查Entry是否存在。想象一下如果内部数组大小是初始值16，我们有两百万条数据需要存储，最好的情况下， 每个链表里平均有 125 000个数据(2000000/16).因此，每个get(),remove(),put()会导致125 000个迭代或者操作。为了避免出现这种情况，HashMap会自动调整它的内部数组大小来保持每个链表尽可能的短。

当你创建一个HashMap时，你可以指定一个初始化大小和一个载入因数：

public HashMap(int initialCapacity, float loadFactor)

如果不指定参数，缺省的initialCapacity是16，loadFactor是0.75，initialCapacity即代表了Map内部数组的大小。

每次当你调用put()方法加入一个新的Entry时，这个方法会检测是否需要增加内部数组大小，因此map存储了两个数据：

• map的大小，代表了HashMap里 Entry的数量，每次新增或者移除Entry时都会更新这个值
• 一个阈值： 内部数组大小 * 载入因数 ，每次自动调整大小后都会刷新

添加一个新Entry时，put函数会检查 map的大小 是否大于阈值 ，如果大于，则会创建一个双倍大小的数组，当新数组的大小改变，索引计算函数(返回 哈希值 & (数组大小-1) 的位运算)也会跟着改变。因此，数组的重新调整新建了两倍数量的链表，并且 重新分发现有的Entry到这些链表数组内（原有的链表数组和新创建的链表数组）

自动调整的目的是减少链表的长度从而减小 put(),remove(),get()等函数的时间开销，所有具有相同哈希值的Entry在重新调整大小后还会在同一个链表内，原来在同一个链表内具有不同哈希值的Entry则有可能不在同一个链表内了。

上面这个图展示了一个HashMap自动调整前后的情况，在调整前，为了拿到Entry E,必须要迭代5次，调整后，只需要两次。速度快了两倍！

注意：HashMap只会增加内部数组的大小，没有提供方法变小。

线程安全

如果你已经了解过HashMap,你知道它不是线程安全的，但是有没有想过为什么？

想象一下这种场景：你有一个写线程只往Map里写新数据，还有一个读线程只往里读数据，为什么不能很好的运作？

因为在重新调整内部数组大小的时候，如果线程正在写或者取对象，Map可能会使用调整前的索引，这样就找不到调整后的Entry所在的位置了。

最坏的情况是：两个线程同时往里面放数据，同时调用了调整内部数组大小的方法。当两个线程都在修改链表时，Map其中的某个链表可能会陷入一个内部循环，如果你试图在这个链表里取数据时，可能会永远取不到值。

HashTable 为了避免这种情况，做了线程安全的实现。但是，所有的CRUD方法都是 同步阻塞的，所以会很慢。例如，线程1调用get(key1),线程2调用get(key2),线程3调用get(key3),同一时间只会有一个线程能拿到值，即使他们本来可以同时获取这三个值。

其实从Java5开始就有一个更高效的线程安全的HashMap的实现了：ConcurrentHashMap。只有链表是同步阻塞的，因此多线程可以同时get,put,或者remove数据，只要没有访问同一个链表或者重新调整内部数组大小就行。在多线程应用里，使用这种实现显然会更好。

key的不变性

为什么字符串和整数是HashMap的Key的一种很好的实现呢？ 大多是因为他们的不变性。如果你选择自己新建一个Key类并且不保证它的不变性的话，在HashMap里面可能就会丢失数据，让我们来看下面一种使用情况：

• 你有一个key,内部值是1
• 你用这个key往HashMap里存了一个数据
• HashMap从这个key的哈希码里生成了一个哈希值（就是从1的哈希码获取）
• Map在最近创建的Entry里存储了这个哈希值
• 你把key的内部值改成2
• key的哈希码改变了但是HashMap不知道（因为已经存了旧的哈希值）
• 你想要用改变后的key获取数据
• Map会计算你的key的新哈希码，来定位到数据位于哪个链表：
  
  • 情况1：你已经改了你的key，map试图从错误的链表里寻找数据，当然找不到
  • 情况2：你很幸运！改变后的key生成的索引和改变前一样，map遍历整个链表寻找具有相同key的Entry。但是为了匹配key，map先会匹配key的哈希值然后调用equals()方法来对照。因为你改变后的key哈希值也已经变了，map最终也找不到相应的Entry （注：应该也有可能找到错误的数据出来）

这里有一个具体的例子，我存了两个键值对到Map里，我修改了第一个key并且试图拿出这两个值，只有第二个值有返回，第一个值已经丢失在Map里：

public class MutableKeyTest {

    public static void main(String[] args) {

        class MyKey {
            Integer i;

            public void setI(Integer i) {
                this.i = i;
            }

            public MyKey(Integer i) {
                this.i = i;
            }

            @Override
            public int hashCode() {
                return i;
            }

            @Override
            public boolean equals(Object obj) {
                if (obj instanceof MyKey) {
                    return i.equals(((MyKey) obj).i);
                } else
                    return false;
            }

        }

        Map<MyKey, String> myMap = new HashMap<>();
        MyKey key1 = new MyKey(1);
        MyKey key2 = new MyKey(2);

        myMap.put(key1, "test " + 1);
        myMap.put(key2, "test " + 2);

        // modifying key1
        key1.setI(3);

        String test1 = myMap.get(key1);
        String test2 = myMap.get(key2);

        System.out.println("test1= " + test1 + " test2=" + test2);

    }

}

输出结果是test1= null test2=test 2,和预期的一样，Map用改变后的key1找不回第一个字符串。

JAVA8的改进

Java8里，HashMap的内部表示已经改变了很多了。的确，Java7里HashMap的实现有1K行代码，而Java8里有2K。我前面所说的大部分都是真的，除了Entry链表。在Java8里，仍然存在一个内部数组不过里面存储的都是节点(Node)，但是节点包含的信息和Entry完全一样，因为也可以看做链表，下面是Java8里节点实现的部分代码：

   static class Node<K,V> implements Map.Entry<K,V> {
        final int hash;
        final K key;
        V value;
        Node<K,V> next;

那么对比Java7最大的变化是什么呢？节点(Nodes)可以被树节点(TreeNodes)继承。树节点是一种红黑树的数据结构，存储了更多信息，可以让你以O(log(n))的算法复杂度新增，删除或者是获取一个元素。

下面是一个树节点内存储的数据的详细列表供参考：

static final class TreeNode<K,V> extends LinkedHashMap.Entry<K,V> {
    final int hash; // inherited from Node<K,V>
    final K key; // inherited from Node<K,V>
    V value; // inherited from Node<K,V>
    Node<K,V> next; // inherited from Node<K,V>
    Entry<K,V> before, after;// inherited from LinkedHashMap.Entry<K,V>
    TreeNode<K,V> parent;
    TreeNode<K,V> left;
    TreeNode<K,V> right;
    TreeNode<K,V> prev;
    boolean red;

红黑树是一种自平衡的二分搜索树。它的内部机制确定了不管是新增还是移除节点，长度永远在log(n)内。使用这种树的一个主要优点是，当一个内部表有许多相同的数据在同一个容器内时，在树中搜索会花费O(log(n))的时间复杂度，而链表会花费log(n)。

如你所见，树比链表占用了更多的空间（我们稍后会谈到这个）。

通过继承，内部表可以包含 节点(链表) 和 树节点(红黑树)两种节点。Oracle通过下面的规则，决定同时使用这两种数据结构：
* 如果一个内部表的索引超过8个节点，链表会转化为红黑树
* 如果内部表的索引少于6个节点，树会变回链表

上图展示了一个Java8 HashMap的内部数组的结构，具有树(桶0)，和链表(桶1，2，3) ，桶0因为有超过8个节点所以结构是树。

内存开销

JAVA7

使用HashMap会带来一定的内存开销，在Java7里，一个HashMap用Entry包含了 许多键值对，一个Entry里会有：

• 下一个entry的引用
• 一个预计算好的哈希值(整型)
• 一个key的引用
• 一个value的引用

此外，Java7里 HashMap使用一个 Entry的内部数组。假设 一个HashMap包含了N个元素，内部数组容量是 C, 额外内存开销约为：
sizeOf(integer) * N + sizeOf(reference) * (3 * N +C)

• 一个整数是 4 字节
• 一个引用的大小取决于 JVM/OS/Precessor 不过通常也是4字节

小贴士：从JAVA7起，HashMap类初始化的方法是懒惰的，这意味着即使你分配了一个HashMap，内部Entry数组在内存里也不会分配到空间( 4 * 数组大小 个字节)，直到你调用第一个put()方法

JAVA8

java8的实现里，获取内存用量变得稍微复杂了一点。因为 Entry 和 树节点包含的数据是一样的，但是树节点会多6个引用和1个布尔值。

如果全部都是 普通链表节点，那么内存用量和java7一样。
如果全部都是 树节点，内存用量变成：
N * sizeOf(integer) + N * sizeOf(boolean) + sizeOf(reference)* (9*N+CAPACITY )
在大多数标准的 JVM里，这个式子等于 44 * N + 4 * CAPACITY字节

性能问题

倾斜HashMap和平衡HashMap

最好的情况下，get/put方法只有 O(1)的时间复杂度。但是，如果你不关心key的哈希函数，调用put/get/方法可能会非常慢。

put/get的良好性能取决于如何分配数据到内部数组不同的索引。如果key的哈希函数设计不良，你会得到一个倾斜的HashMap(和内部数组大小无关)。所有在最长链表上的put/get会非常慢，因为会遍历整个链表。最坏的情况下（所有数据都在同一个索引下）， 时间复杂度是O(n).

下面是一个例子，第一个图片展示了一个倾斜HashMap,第二个图则是一个平衡的HashMap:

这个倾斜HashMap在索引0上的get/put非常耗时，获取Entry K会进行6次迭代

在这个平衡HashMap内，获取Entry K只要进行3次迭代。这两个HashMap存储的数据量相同，内部数组大小也一样。唯一的区别，就是分发数据的key的哈希函数。

下面是一个极端的例子，我创建了一个哈希函数，把两百万的数据都放到同一个数组索引下：

public class Test {

    public static void main(String[] args) {

        class MyKey {
            Integer i;
            public MyKey(Integer i){
                this.i =i;
            }

            @Override
            public int hashCode() {
                return 1;
            }

            @Override
            public boolean equals(Object obj) {
            …
            }

        }
        Date begin = new Date();
        Map <MyKey,String> myMap= new HashMap<>(2_500_000,1);
        for (int i=0;i<2_000_000;i++){
            myMap.put( new MyKey(i), "test "+i);
        }

        Date end = new Date();
        System.out.println("Duration (ms) "+ (end.getTime()-begin.getTime()));
    }
}

在我的机器上(core i5-2500k @ 3.6Ghz)，这个程序跑了超过45分钟(java 8u40)，45分钟后我中断了这个程序。

现在，我运行相同的代码，只是使用下面的哈希函数：

        @Override
    public int hashCode() {
        int key = 2097152-1;
        return key+2097152*i;
        }

结果只花了 46秒 !! 这个哈希函数比先前那一个有一个更好的数据分发所以put函数运行快得多。

如果我还是运行这段代码，但是换成下面这个更好的哈希函数：

 @Override
 public int hashCode() {
 return i;
 }

现在，程序只需要2秒。

我希望你意识到哈希函数有多么重要。如果上面的测试在java7上运行，第一个和第二个测试的性能甚至还会更差(java7的复杂度是 O(n)，java8是 O(log(n)))

当你使用HashMap时，你需要找到一个哈希函数，可以 把key分发到尽量多的索引上，为了做到这一点，你需要避免哈希碰撞。字符串是不错的一种key，因为它有 很不错的哈希函数。整数做key也不错，因为它的哈希函数就是本身的值。

重设大小的开销

如果你需要存储大量数据，你应该在创建HashMap时设置一个接近你预期值的初始化大小。如果你不这么做，map会用默认的 16数组大小和0.75的 载入因数。 前面11个put会很快但是第12个(16*0.75)会创建一个容量为32的新数组，第13~23个put也会很快但是第24个会再次创建一个双倍大小的数组。这个内部重设大小的操作会出现在第48次，96次，192次……。在数据量较小时，这个操作很快，但是当数据量增大时，这个操作会费时数秒到数分钟不等。通过指定预期初始化大小，你可以避免这些操作开销。

但是这也有一个弊端，如果你设置了一个很大的数组大小像 2^28而你只用了2^26,你会浪费掉大量的内存(这个例子里大约是 2^30 字节)

总结

对于简单的使用，你不需要知道HashMap是如何工作的，因为你感觉不出 O(1)、O(n)、O(log(n))的区别。但是了解这种最常用的数据结果的底层机制总是有好处的，何况，对于java开发者来说，这是一个很典型的面试问题。在大数据量时，知道它是如果工作的，知道哈希函数的重要性 就变得非常重要了。

希望这篇文章能帮助你加深对HashMap实现细节的了解。