HashMap分析

转载：http://www.iteye.com/topic/539465

参考：https://www.ibm.com/developerworks/cn/java/j-lo-hash/?ca=drs-tp4608 

hashmap的数据结构 

　　要知道hashmap是什么，首先要搞清楚它的数据结构，请看下图（横排表示数组，纵排表示数组元素【实际上是一个链表】）。 



　　从图中我们可以看到一个hashmap就是一个数组结构，当新建一个hashmap的时候，就会初始化一个数组。我们来看看java代码： 

　　数组：

/** 
     * The table, resized as necessary. Length MUST Always be a power of two. 
     *  这里需要注意这句话，即（为什么一定是2的幂次方），至于原因后面会讲到 
     */  
transient Entry[] table;  

　　链表：

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

 　　 当我们往hashmap中put元素的时候，根据key的hash值得到这个元素在数组中的位置（即下标），然后就可以把这个元素放到对应的位置中了。 如果这个元素所在的位子上已经存放有其他元素了，那么在同一个位子上的元素将以链表的形式存放，新加入的放在链头，最先加入的放在链尾。

　　从hashmap中get元素时，首先计算key的hashcode，找到数组中对应位置的某一元素，然后通过key的equals方法在对应位置的链表中找到需要的元素。从这里我们可以想象得到，如果每个位置上的链表只有一个元素，那么hashmap的get效率将是最高的，不必再循环“链表”了（比如：一个数组 int[10] A，如果我想去找到索引为2的值，直接A[2]就立马得到了，这速度是最快的）。

       所以接下来的问题就是：怎么尽可能的得到“一个链表上只有一个Entry”???

HashMap中的hash算法

　　我们当然希望这个hashmap里面的元素位置尽量的分布均匀些，尽量使得每个位置上的元素数量只有一个，那么当我们用hash算法求得这个位置的时候，马上就可以知道对应位置的元素就是我们要的，而不用再去遍历链表。所以我们首先想到的就是把hashcode对数组长度取模运算，这样一来，元素的分布相对来说是比较均匀的（加粗的这句话是原作者写的，表达意思有问题，一个运算A取模B = C，得到的结果值C总小于B，这一点是肯定的，怎么能说就平均分布了？？ 就HashMap数据结构来看，这种做法的好处是，确保了任何一个key，总能在“有限的table长度”上找到一个“下标”）。但是，“模”运算的消耗还是比较大的，能不能找一种更快速，消耗更小的方式那？java中时这样做的， 

static int indexFor(int h, int length) {  
       return h & (length-1);  
}  

　　首先算得key得hashcode值，然后跟数组的长度-1做一次“与”运算（&），等价于取模运算了。

　　有个特点：2的次方 减 1 ，意味着 其二进制值必然形如：高位是连续的零，低位是连续的1（如 00001111），故任何一个数A 和  “这样的数”  做 “与运算”的话，其实就是 对 数A的高位截断，只取低位而已。

　　很多人都有这个疑问，为什么hashmap的数组初始化大小都是2的次方大小时，hashmap的效率最高，我以2的4次方举例，来解释一下为什么数组大小为2的幂时hashmap访问的性能最高。 看下图：

         左边两组是数组长度为16（2的4次方），右边两组是数组长度为15。两组的hashcode均为8和9，但是很明显，右边的一组，当它们和1110“与”的时候，产生了相同的结果，也就是说它们会定位到数组中的同一个位置上去，这就产生了碰撞，8和9会被放到同一个链表上，那么查询的时候就需要遍历这个链表，这样就降低了查询的效率。同时，我们也可以发现，当数组长度为15的时候，hashcode的值会与14（1110）进行“与”，那么最后一位永远是0，而0001，0011，0101，1001，1011，0111，1101这几个位置永远都不能存放元素了，空间浪费相当大，更糟的是这种情况中，数组可以使用的位置比数组长度小了很多，这意味着进一步增加了碰撞的几率，减慢了查询的效率！

　　所以说，当数组长度为2的n次幂的时候，不同的key算得得index相同的几率较小，那么数据在数组上分布就比较均匀，也就是说碰撞的几率小，相对的，查询的时候就不用遍历某个位置上的链表，这样查询效率也就较高了。 

　　说到这里，我们再回头看一下hashmap中默认的数组大小是多少，查看源代码可以得知是16，为什么是16，而不是15，也不是20呢，看到上面annegu的解释之后我们就清楚了吧，显然是因为16是2的整数次幂的原因，在小数据量的情况下16比15和20更能减少key之间的碰撞，而加快查询的效率。 

　　所以，在存储大容量数据的时候，最好预先指定hashmap的size为2的整数次幂次方。就算不指定的话，也会以大于且最接近指定值大小的2次幂来初始化的，代码如下(HashMap的构造方法中)： 

// Find a power of 2 >= initialCapacity  
int capacity = 1;  
while (capacity < initialCapacity)   
    capacity <<= 1;  

Hashmap的resize       

　　当hashmap中的元素越来越多的时候，碰撞的几率也就越来越高（因为数组的长度是固定的），所以为了提高查询的效率，就要对hashmap的数组进行扩容，数组扩容这个操作也会出现在ArrayList中，所以这是一个通用的操作，很多人对它的性能表示过怀疑，不过想想我们的“均摊”原理，就释然了，而在hashmap数组扩容之后，最消耗性能的点就出现了：原数组中的数据必须重新计算其在新数组中的位置，并放进去，这就是resize。 

         那么hashmap什么时候进行扩容呢？当hashmap中的元素个数超过数组大小*loadFactor时，就会进行数组扩容，loadFactor的默认值为0.75，也就是说，默认情况下，数组大小为16，那么当hashmap中元素个数超过16*0.75=12的时候，就把数组的大小扩展为2*16=32，即扩大一倍，然后重新计算每个元素在数组中的位置，而这是一个非常消耗性能的操作，所以如果我们已经预知hashmap中元素的个数，那么预设元素的个数能够有效的提高hashmap的性能。比如说，我们有1000个元素new HashMap(1000), 但是理论上来讲new HashMap(1024)更合适，不过上面annegu已经说过，即使是1000，hashmap也自动会将其设置为1024。 但是new HashMap(1024)还不是更合适的，因为当put到0.75*1024 时会发生Resize，所以为了避免在put到1000之前发生Resize，必须使 0.75 * size > 1000, 我们必须这样new HashMap(2048)才最合适，既考虑了&的问题，也避免了resize的问题。 

key的hashcode与equals方法改写 

　　get方法的过程：首先计算key的hashcode，找到数组中对应位置的某一元素，然后通过key的equals方法在对应位置的链表中找到需要的元素。所以，hashcode与equals方法对于找到对应元素是两个关键方法。 

　　Hashmap的key可以是任何类型的对象，例如User这种对象，为了保证两个具有相同属性的user的hashcode相同，我们就需要改写hashcode方法，比方把hashcode值的计算与User对象的id关联起来，那么只要user对象拥有相同id，那么他们的hashcode也能保持一致了，这样就可以找到在hashmap数组中的位置了。如果这个位置上有多个元素，还需要用key的equals方法在对应位置的链表中找到需要的元素，所以只改写了hashcode方法是不够的，equals方法也是需要改写滴~当然啦，按正常思维逻辑，equals方法一般都会根据实际的业务内容来定义，例如根据user对象的id来判断两个user是否相等。 
在改写equals方法的时候，需要满足以下三点： 
　　(1) 自反性：就是说a.equals(a)必须为true。 
　　(2) 对称性：就是说a.equals(b)=true的话，b.equals(a)也必须为true。 
　　(3) 传递性：就是说a.equals(b)=true，并且b.equals(c)=true的话，a.equals(c)也必须为true。 
　　通过改写key对象的equals和hashcode方法，我们可以将任意的业务对象作为map的key(前提是你确实有这样的需要)。 

争论

　　以上是原作者的理解，其中也标注了我自己的一些“理解”。但针对文章的“HashMap的Hash算法”这一节有个争论：“table为什么一定要是2的幂次方？”。以下是具体原由：

　　首先，有明白一点的是，对一个数取模是“最简单的一种散列的算法”，即：A % B = C，得到的C值 必然散列在 0 到 B这个区间中。

　　所以HashMap为了让put进来的元素，散列在 table上，采用了“长度”取模运算，取得“下标”。

　　而 HashMap类中indexOf方法，如下：

static int indexOf(int h, int length) {  
       return h & (length-1);  
}  

　　是一种只针对 “ 2的幂次方数”  这样的数，取模的变通方式。这种变通刚好等价于“对数取模“了？

       如果不是“2的幂次方数”这样的数，比如 数值5，使用indexOf方法，是进行的取模运算吗？显然不是！！！

　　如果我们就是要这么干呢？即 一个 不是 “2的幂次方数”的数，采用调用了“indexOf”方法，便会出现如原作者所说的“增加碰撞的概率”，归根到底是因为，indexOf方法 不是  对  数（一个 不是 “2的幂次方数”的数） 的取模运算呀！！！

　　结论（注意因果关系）：因为HashMap限制了我们的table的长度必须是“2的幂次方数”，所以我们可以采用“indexOf”这个变通方法来进行“取模运算”。

　　如果HashMap不限制长度为“ “2的幂次方数””，indexOf方法就要改写了，如下：

static int indexOf(int h, int length) {  
       return h % length;  //注意是换了“运算符”了 ，将“与运算”改成了“取模运算符”
}  

 　　如果不限制 “table的length是2的幂次方” ，同时 indexOf方法改写成上述代码，就不一定是 “table的length是2的幂次方”  比  “length不是2的幂次方”    散列分布的更好了。

　　还有个问题，针对HashMap的，由于table的length 是“2的幂次方数”，如果恰巧 h & （length -1）中 的 h 基本上是高位变动，而低位不变，势必也会增加“碰撞概率”。故HashMap中对key的hashCode方法返回值，进行了“二次hash的运算”：

/**
     * Retrieve object hash code and applies a supplemental hash function to the
     * result hash, which defends against poor quality hash functions.  This is
     * critical because HashMap uses power-of-two length hash tables, that
     * otherwise encounter collisions for hashCodes that do not differ
     * in lower bits. Note: Null keys always map to hash 0, thus index 0.
     */
    final int hash(Object k) {
        int h = 0;
        if (useAltHashing) {
            if (k instanceof String) {
                return sun.misc.Hashing.stringHash32((String) k);
            }
            h = hashSeed;
        }

        h ^= k.hashCode();

        // This function ensures that hashCodes that differ only by
        // constant multiples at each bit position have a bounded
        // number of collisions (approximately 8 at default load factor).
        h ^= (h >>> 20) ^ (h >>> 12);
        return h ^ (h >>> 7) ^ (h >>> 4);
    }