目录
概述
在上文我们基于JDK7分析了HashMap的实现源码，介绍了HashMap的加载因子loadFactor、阈值threshold概念以及增删元素的机制。JDK8在JDK7的基础上对HashMap的实现进行了进一步的优化，最主要的改变就是新增了红黑树作为底层数据结构。
HashMap数据结构
首先我们回忆一下JDK7中HashMap的实现，HashMap是以数组和单链表构成，当出现哈希冲突时，冲突的元素在桶中依次形成单链表，数据结构如下：
JDK7中哈希冲突时使用链表存储冲突元素，当出现大量哈希冲突元素，那么在单链表查找一个元素的复杂度为O(N)，为了优化出现大量哈希冲突元素的查找问题，JDK8中规定：当单链表存储元素个数超过阈值TREEIFY_THRESHOLD（8）时，将单链表转换为红黑树，红黑树查找元素复杂度为O(logN),提高了查找效率，JDK8中HashMap的存储结构：
内部字段及构造方法
Node类
使用Node类存储键值对元素。
static class Node<K,V> implements Map.Entry<K,V> {
final int hash;
final K key;
V value;
Node<K,V> next;
Node(int hash, K key, V value, Node<K,V> next) {
this.hash = hash;
this.key = key;
this.value = value;
this.next = next;
}
}
TreeNode类
TreeNode是构成红黑树的基本元素。
static final class TreeNode<K,V> extends LinkedHashMap.Entry<K,V> {
TreeNode<K,V> parent; // red-black tree links
TreeNode<K,V> left;
TreeNode<K,V> right;
TreeNode<K,V> prev; // needed to unlink next upon deletion
boolean red;
//构造一个树结点
TreeNode(int hash, K key, V val, Node<K,V> next) {
super(hash, key, val, next);
}
}
内部字段
//数组初始容量，为16
static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16
//数组最大容量
static final int MAXIMUM_CAPACITY = 1 << 30;
//默认加载因子
static final float DEFAULT_LOAD_FACTOR = 0.75f;
//单链表转化为红黑树的阈值
static final int TREEIFY_THRESHOLD = 8;
/**
* 主要用于resize()扩容过程中, 当对原来的红黑树根据hash值拆分成两条链表后,
* 如果拆分后的链表长度 <=UNTREEIFY_THRESHOLD, 那么就采用链表形式管理hash值冲突;
* 否则, 采用红黑树管理hash值冲突.
*/
static final int UNTREEIFY_THRESHOLD = 6;
/**
* 当集合中的容量大于这个值时，表中的桶才能进行树化 ，否则桶内元素太多时会扩容，
* 而不是树形化 为了避免进行扩容、树形化选择的冲突，这个值不能小于 4 * TREEIFY_THRESHOLD
*/
static final int MIN_TREEIFY_CAPACITY = 64;
//第一次使用是初始化，数组长度总是2的幂次
transient Node<K,V>[] table;
transient int size;
int threshold;
final float loadFactor;
构造方法
public HashMap(int initialCapacity, float loadFactor) {
//检查参数合法性
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;
//这里只是初始化，最终赋值在resize方法里
this.threshold = tableSizeFor(initialCapacity);
}
哈希值与索引计算
hash(Object key)
在JDK1.8的实现中，优化了高位运算的算法，通过hashCode()的高16位异或低16位实现的：(h = k.hashCode()) ^ (h >>> 16)，主要是从速度、功效、质量来考虑的，这么做可以在数组table的length比较小的时候，也能保证考虑到高低Bit都参与到Hash的计算中，同时不会有太大的开销。
这个方法非常巧妙，它通过h & (table.length -1)来得到该对象的保存位，而HashMap底层数组的长度总是2的n次方，这是HashMap在速度上的优化。当length总是2的n次方时，h& (length-1)运算等价于对length取模，也就是h%length，但是&比%具有更高的效率。计算过程如下图：
static final int hash(Object key) {
int h;
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}
//jdk1.7的源码，jdk1.8没有这个方法，但是实现原理一样的
//根据hash值和table数组长度计算键值对存储位置的索引
static int indexFor(int h, int length) {
return h & (length-1); //第三步 取模运算
}
存储元素
put(K key, V value)
public V put(K key, V value) {
return putVal(hash(key), key, value, false, true);
}
/**
* Implements Map.put and related methods
* @param hash hash for key
* @param key the key 键
* @param value the value to put 值
* @param onlyIfAbsent if true, don't change existing value 表示不要更改现有值
* @param evict if false, the table is in creation mode. false表示table处于创建模式
* @return previous value, or null if none
*/
final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
boolean evict) {
//使用局部变量tab而不是类成员，方法栈上访问更快
Node<K,V>[] tab; Node<K,V> p; int n, i;
//如果table为null或者长度为0，则进行初始化
if ((tab = table) == null || (n = tab.length) == 0)
//扩容
n = (tab = resize()).length;
//散列到对应的桶中，如果桶为空则直接放到桶中即可
if ((p = tab[i = (n - 1) & hash]) == null)
tab[i] = newNode(hash, key, value, null);
else {
//else分支表示散列到的桶中元素不为空
Node<K,V> e; K k;
//桶中链表的根节点的key就是要插入的键值对的key
if (p.hash == hash &&
((k = p.key) == key || (key != null && key.equals(k))))
e = p;
//如果是红黑树，插入到红黑树中
else if (p instanceof TreeNode)
e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
//插入到单链表中
else {
//遍历链表，并统计桶中键值对元素数量
for (int binCount = 0; ; ++binCount) {
//该Key在链表中不存在，插入末尾 此时e为null
if ((e = p.next) == null) {
p.next = newNode(hash, key, value, null);
//单链表元素个数超过TREEIFY_THRESHOLD，树化
if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
treeifyBin(tab, hash);
break;
//注意从这里break出来的e为null
}
//该Key已经在链表中
if (e.hash == hash &&
((k = e.key) == key || (key != null && key.equals(k))))
//注意从这里break出来的e不为null
break;
p = e;
}
}
// e != null，说明该Key已经在存在于HashMap中,在这个桶中
if (e != null) { // existing mapping for key
V oldValue = e.value;
//根据onlyIfAbsent和old
if (!onlyIfAbsent || oldValue == null)
e.value = value;
afterNodeAccess(e);
return oldValue;
}
}
++modCount;
//超过阈值，就进行扩容
if (++size > threshold)
resize();
afterNodeInsertion(evict);
return null;
}
扩容
resize( )
resize方法相对比较复杂，但是有比较巧妙，因为要考虑数据结构的不同怎么把元素从老的table中放到扩容后的table中。主要的思路也就是两步：先根据老的table的长度决定扩容后table的长度，以及新的阈值threshold；在桶中数据不为空的情况下，把桶中的数据迁移到新的table数组中，这里就要考虑在桶中只有一个元素（没有发生哈希冲突）、桶中元素以单链表形式存储（发生哈希冲突但是不超过8个）、桶中元素以红黑树形式存储（哈希冲突元素个数超过8个）。只有一个元素，直接根据哈希值和新的table数组长度计算出新的索引，红黑树调用split方法，这里我们重点分析一下怎么把桶中的单链表迁移到新桶中，从而体会到JDK的巧妙设计。
resize的扩容策略是每次扩容2倍（newThr = oldThr << 1），为了把单链表元素迁移到新的桶中，并不是向JDK7那样直接根据哈希值散列得到新的索引值，经过观测可以发现，我们使用的是2次幂的扩展(指长度扩为原来2倍)，所以，元素的位置要么是在原位置，要么是在原位置再移动2次幂的位置。看下图可以明白这句话的意思，n为table的长度，图（a）表示扩容前的key1和key2两种key确定索引位置的示例，图（b）表示扩容后key1和key2两种key确定索引位置的示例，其中hash1是key1对应的哈希与高位运算结果。
元素在重新计算hash之后，因为n变为2倍，那么n-1的mask范围在高位多1bit(红色)，因此新的index就会发生这样的变化：
因此，我们在扩充HashMap的时候，不需要像JDK1.7的实现那样重新计算hash，只需要看看原来的hash值新增的那个bit是1还是0就好了，是0的话索引没变，是1的话索引变成“原索引+oldCap”
final Node<K,V>[] resize() {
//使用oldTab指向原来的hash表，通常方法内都使用局部变量，局部变量在方法栈上，而对象的成员在堆上
//方法栈的访问比堆更高效
//记录扩容前table数组，阈值，长度
Node<K,V>[] oldTab = table;
int oldCap = (oldTab == null) ? 0 : oldTab.length;
int oldThr = threshold;
int newCap, newThr = 0;
if (oldCap > 0) {
//原来的容量已经很大了，超过了MAXIMUM_CAPACITY无法再调整
if (oldCap >= MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return oldTab;
}
//容量加倍
else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
oldCap >= DEFAULT_INITIAL_CAPACITY)
newThr = oldThr << 1; // double threshold
}
//oldCap < 0,oldThr > 0,table空间尚未分配，初始化分配空间
//旧阀值大于0，则将新容量直接等于就阀值
else if (oldThr > 0) // initial capacity was placed in threshold
newCap = oldThr;
//阀值等于0，oldCap也等于0（集合未进行初始化）
else { // zero initial threshold signifies using defaults
newCap = DEFAULT_INITIAL_CAPACITY;
//threshhold=capacity*load_factor
newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
}
//计算新的阀值上限
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;
//原来的表中有内容，表明这是一次扩容，需要将Entry散列到新的位置
if (oldTab != null) {
for (int j = 0; j < oldCap; ++j) {
//遍历所有bin
Node<K,V> e;
if ((e = oldTab[j]) != null) {
//旧桶中元素置为null，方便GC
oldTab[j] = null;
//该桶中只有一个节点，直接散列到新的位置
if (e.next == null)
newTab[e.hash & (newCap - 1)] = e;
else if (e instanceof TreeNode)
//该桶中是一颗红黑树，通过红黑树的split方法处理
//待会再看split方法
((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;
// 与oldCap按位相与，判断结果是一还是零
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);
//原索引
if (loTail != null) {
loTail.next = null;
newTab[j] = loHead;
}
//原索引+oldCap
if (hiTail != null) {
hiTail.next = null;
newTab[j + oldCap] = hiHead;
}
}
}
}
}
return newTab;
}
删除元素
remove(Object key)
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;
//tab不为空，p指向根据hash散列到桶中第一个节点
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;
//第一个节点就命中
if (p.hash == hash &&
((k = p.key) == key || (key != null && key.equals(k))))
node = p;
else if ((e = p.next) != null) {
//在红黑树中查找目标节点
if (p instanceof TreeNode)
node = ((TreeNode<K,V>)p).getTreeNode(hash, key);
//在单链表中查找目标节点
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);
}
}
//找到目标节点且符合移除的条件
if (node != null && (!matchValue || (v = node.value) == value ||
(value != null && value.equals(v)))) {
//红黑树移除
if (node instanceof TreeNode)
((TreeNode<K,V>)node).removeTreeNode(this, tab, movable);
//单链表移除
//移除的节点是单链表首节点
else if (node == p)
tab[index] = node.next;
//移除的节点不是单链表首节点
else
p.next = node.next;
++modCount;
--size;
afterNodeRemoval(node);
return node;
}
}
return null;
}
查找元素
get(Object key)
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;
if ((tab = table) != null && (n = tab.length) > 0 &&
(first = tab[(n - 1) & hash]) != null) {
//hash值对应的桶中第一个元素
//第一个元素符合查找条件
if (first.hash == hash && // always check first node
((k = first.key) == key || (key != null && key.equals(k))))
return first;
if ((e = first.next) != null) {
//红黑树查找
if (first instanceof TreeNode)
return ((TreeNode<K,V>)first).getTreeNode(hash, key);
do {
//单链表查找
if (e.hash == hash &&
((k = e.key) == key || (key != null && key.equals(k))))
return e;
} while ((e = e.next) != null);
}
}
return null;
}
总结
JDK8使用了红黑树优化了HashMap的性能，即使发生了大量的哈希碰撞也能够以O(logN)查找到元素，不会影响到服务器的性能。