hashMap 应该是java程序员工作中用的比较多的一个键值对处理的数据的类型了。这种数据类型一般都会有增删查的方法,今天我们就来看看它的循环方法以前写过一篇关于ArrayList的循环效率问题《ArrayList哪种遍历效率最好,你真的弄明白了吗?》,感兴趣的同学可以去看看。hashMap 有常见的六七种遍历的方式。这么多的选择,大家平时都是使用哪一种来遍历数据列?欢迎大家在下方留言哦。说实话这么多种方式,想记也不记不住,也不想浪费时间来记这玩意,所以本人在JDK1.8以前基本上都是用Map.Entry的方式来遍历,1.8及以后就习惯性用forEach了,不过这个不能有continue或者break操作这个有时候还是挺不方便的,其他几种基本上没怎么用过,也没太研究这几种方式,哪种性能是比较好的。反正就是挑自己熟悉的方式。好了话不多说,我们还是直入今天的主题。先来看看每种遍历的方式:

在for循环中使用entries实现Map的遍历
 public static void forEachEntries() {
        for (Map.Entry<String, String> entry : map.entrySet()) {
            String mapKey = entry.getKey();
            String mapValue = entry.getValue();
        }
    }
在for循环中遍历key
 public static void forEachKey() {
        for (String key : map.keySet()) {
            String mapKey = key;
            String mapValue = map.get(mapKey);
        }
    }
在for循环中遍历value
 public static void forEachValues() {
        for (String key : map.values()) {
            String val = key;
        }
    }

Iterator遍历

public static void forEachIterator() {
        Iterator<Entry<String, String>> entries = map.entrySet().iterator();
        while (entries.hasNext()) {
            Entry<String, String> entry = entries.next();
            String key = entry.getKey();
            String value = entry.getValue();
        }
    }

forEach jdk1.8遍历

 public static void forEach() {
        map.forEach((key, val) -> {
            String key1 = key;
            String value = val;
        });
    }

Stream jdk1.8遍历

  map.entrySet().stream().forEach((entry) -> {
            String key = entry.getKey();
            String value = entry.getValue();
        });

Streamparallel jdk1.8遍历

 public static void forEachStreamparallel() {
        map.entrySet().parallelStream().forEach((entry) -> {
            String key = entry.getKey();
            String value = entry.getValue();
        });
    }

以上就是常见的对于map的一些遍历的方式,下面我们来写个测试用例来看下这些遍历方式,哪些是效率最好的。下面测试用例是基于JMH来测试的
首先引入pom

	 <dependency>
            <groupId>org.openjdk.jmh</groupId>
            <artifactId>jmh-core</artifactId>
            <version>1.23</version>
        </dependency>
        <dependency>
            <groupId>org.openjdk.jmh</groupId>
            <artifactId>jmh-generator-annprocess</artifactId>
            <version>1.23</version>
            <scope>provided</scope>
        </dependency>

关于jmh测试如可能会影响结果的一些因素这里就不详细介绍了,可以参考文末的第一个链接写的非常详细。以及测试用例为什么要这么写(都是为了消除JIT对测试代码的影响)这是参照官网的链接
编写测试代码如下:

package com.workit.autoconfigure.autoconfigure.controller;


import org.openjdk.jmh.annotations.*;
import org.openjdk.jmh.infra.Blackhole;
import org.openjdk.jmh.results.format.ResultFormatType;
import org.openjdk.jmh.runner.Runner;
import org.openjdk.jmh.runner.RunnerException;
import org.openjdk.jmh.runner.options.Options;
import org.openjdk.jmh.runner.options.OptionsBuilder;

import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.UUID;
import java.util.concurrent.TimeUnit;

/**
 * @author:公众号: java金融
 * @Date: 
 * @Description:微信搜一搜【java金融】回复666
 */

@State(Scope.Thread)
@Warmup(iterations = 5, time = 1, timeUnit = TimeUnit.SECONDS)
@Measurement(iterations = 5, time = 1, timeUnit = TimeUnit.SECONDS)
@Fork(1)
@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.NANOSECONDS)
public class InstructionsBenchmark {
    public static void main(String[] args) throws RunnerException {
        Options opt = new OptionsBuilder().include(InstructionsBenchmark.class.getSimpleName()).result("result.json").resultFormat(ResultFormatType.JSON).build();
        new Runner(opt).run();
    }

    static final int BASE = 42;

    static int add(int key,int val) {
      return  BASE + key +val;
    }
    @Param({"1", "10", "100", "1000","10000","100000"})
    int size;
    private static Map<Integer, Integer>  map;

    // 初始化方法,在全部Benchmark运行之前进行
    @Setup(Level.Trial)
    public void init() {
        map = new HashMap<>(size);
        for (int i = 0; i < size; i++) {
            map.put(i, i);
        }
    }


    /**
     * 在for循环中使用entries实现Map的遍历:
     */
    @Benchmark
    public static void forEachEntries(Blackhole blackhole) {
        for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
            Integer mapKey = entry.getKey();
            Integer mapValue = entry.getValue();
            blackhole.consume(add(mapKey,mapValue));
        }
    }

    /**
     * 在for循环中遍历key
     */
    @Benchmark
    public static StringBuffer forEachKey(Blackhole blackhole) {
        StringBuffer stringBuffer = new StringBuffer();
        for (Integer key : map.keySet()) {
          //  Integer mapValue = map.get(key);
            blackhole.consume(add(key,key));
        }
        return stringBuffer;
    }

    /**
     * 在for循环中遍历value
     */
    @Benchmark
    public static void forEachValues(Blackhole blackhole) {
        for (Integer key : map.values()) {
            blackhole.consume(add(key,key));
        }
    }

    /**
     * Iterator遍历;
     */
    @Benchmark
    public static void forEachIterator(Blackhole blackhole) {
        Iterator<Entry<Integer, Integer>> entries = map.entrySet().iterator();
        while (entries.hasNext()) {
            Entry<Integer, Integer> entry = entries.next();
            Integer key = entry.getKey();
            Integer value = entry.getValue();
            blackhole.consume(add(key,value));
        }
    }

    /**
     * forEach jdk1.8遍历
     */
    @Benchmark
    public static void forEachLamada(Blackhole blackhole) {
        map.forEach((key, value) -> {
            blackhole.consume(add(key,value));
        });

    }

    /**
     * forEach jdk1.8遍历
     */
    @Benchmark
    public static void forEachStream(Blackhole blackhole) {
        map.entrySet().stream().forEach((entry) -> {
            Integer key = entry.getKey();
            Integer value = entry.getValue();
            blackhole.consume(add(key,value));

        });
    }

    @Benchmark
    public static void forEachStreamparallel(Blackhole blackhole) {
        map.entrySet().parallelStream().forEach((entry) -> {
            Integer key = entry.getKey();
            Integer value = entry.getValue();
            blackhole.consume(add(key,value));

        });
    }

}

运行结果如下:
注:运行环境idea 2019.3,jdk1.8,windows7 64位。


Benchmark                                    (size)  Mode  Cnt        Score        Error  Units
InstructionsBenchmark.forEachEntries              1  avgt    5       10.021 ±      0.224  ns/op
InstructionsBenchmark.forEachEntries             10  avgt    5       71.709 ±      2.537  ns/op
InstructionsBenchmark.forEachEntries            100  avgt    5      738.873 ±     12.132  ns/op
InstructionsBenchmark.forEachEntries           1000  avgt    5     7804.431 ±    136.635  ns/op
InstructionsBenchmark.forEachEntries          10000  avgt    5    88540.345 ±  14915.682  ns/op
InstructionsBenchmark.forEachEntries         100000  avgt    5  1083347.001 ± 136865.960  ns/op
InstructionsBenchmark.forEachIterator             1  avgt    5       10.675 ±      2.532  ns/op
InstructionsBenchmark.forEachIterator            10  avgt    5       73.934 ±      4.517  ns/op
InstructionsBenchmark.forEachIterator           100  avgt    5      775.847 ±    198.806  ns/op
InstructionsBenchmark.forEachIterator          1000  avgt    5     8905.041 ±   1294.618  ns/op
InstructionsBenchmark.forEachIterator         10000  avgt    5    98686.478 ±  10944.570  ns/op
InstructionsBenchmark.forEachIterator        100000  avgt    5  1045309.216 ±  36957.608  ns/op
InstructionsBenchmark.forEachKey                  1  avgt    5       18.478 ±      1.344  ns/op
InstructionsBenchmark.forEachKey                 10  avgt    5       76.398 ±     12.179  ns/op
InstructionsBenchmark.forEachKey                100  avgt    5      768.507 ±     23.892  ns/op
InstructionsBenchmark.forEachKey               1000  avgt    5    11117.896 ±   1665.021  ns/op
InstructionsBenchmark.forEachKey              10000  avgt    5    84871.880 ±  12056.592  ns/op
InstructionsBenchmark.forEachKey             100000  avgt    5  1114948.566 ±  65582.709  ns/op
InstructionsBenchmark.forEachLamada               1  avgt    5        9.444 ±      0.607  ns/op
InstructionsBenchmark.forEachLamada              10  avgt    5       76.125 ±      5.640  ns/op
InstructionsBenchmark.forEachLamada             100  avgt    5      861.601 ±     98.045  ns/op
InstructionsBenchmark.forEachLamada            1000  avgt    5     7769.714 ±   1663.914  ns/op
InstructionsBenchmark.forEachLamada           10000  avgt    5    73250.238 ±   6032.161  ns/op
InstructionsBenchmark.forEachLamada          100000  avgt    5   836781.987 ±  72125.745  ns/op
InstructionsBenchmark.forEachStream               1  avgt    5       29.113 ±      3.275  ns/op
InstructionsBenchmark.forEachStream              10  avgt    5      117.951 ±     13.755  ns/op
InstructionsBenchmark.forEachStream             100  avgt    5     1064.767 ±     66.869  ns/op
InstructionsBenchmark.forEachStream            1000  avgt    5     9969.549 ±    342.483  ns/op
InstructionsBenchmark.forEachStream           10000  avgt    5    93154.061 ±   7638.122  ns/op
InstructionsBenchmark.forEachStream          100000  avgt    5  1113961.590 ± 218662.668  ns/op
InstructionsBenchmark.forEachStreamparallel       1  avgt    5       65.466 ±      5.519  ns/op
InstructionsBenchmark.forEachStreamparallel      10  avgt    5     2298.999 ±    721.455  ns/op
InstructionsBenchmark.forEachStreamparallel     100  avgt    5     8270.759 ±   1801.082  ns/op
InstructionsBenchmark.forEachStreamparallel    1000  avgt    5    16049.564 ±   1972.856  ns/op
InstructionsBenchmark.forEachStreamparallel   10000  avgt    5    69230.849 ±  12169.260  ns/op
InstructionsBenchmark.forEachStreamparallel  100000  avgt    5   638129.559 ±  14885.962  ns/op
InstructionsBenchmark.forEachValues               1  avgt    5        9.743 ±      2.770  ns/op
InstructionsBenchmark.forEachValues              10  avgt    5       70.761 ±     16.574  ns/op
InstructionsBenchmark.forEachValues             100  avgt    5      745.069 ±    329.548  ns/op
InstructionsBenchmark.forEachValues            1000  avgt    5     7772.584 ±   1702.295  ns/op
InstructionsBenchmark.forEachValues           10000  avgt    5    74063.468 ±  23752.678  ns/op
InstructionsBenchmark.forEachValues          100000  avgt    5   994057.370 ± 279310.867  ns/op

在这里插入图片描述
在这里插入图片描述

通过上述的图我们可以发现,数据量较小的时候forEachEntriesforEachIterator、以及lamada循环效率都差不多forEachStreamarallel的效率反而较低,只有当数据量达到10000以上parallelStream的优势就体现出来了。所以平时选择使用哪种循环方式的时候没必要太纠结哪一种方式,其实每种方式之间的效率还是微乎其微的。选择适合自己的就好。为什么parallelStream在数据量较小的时候效率反而不行?这个大家可以在下方留言哦。

总结

上面小实验只是在我机器上跑出来的结果,可能放到不同的机器运行结果有不一样哦,大家感兴趣的同学可以把代码贴到自己的机器上跑一跑,也许我这这个结论就不适用了。

结束

  • 由于自己才疏学浅,难免会有纰漏,假如你发现了错误的地方,还望留言给我指出来,我会对其加以修正。
  • 如果你觉得文章还不错,你的转发、分享、赞赏、点赞、留言就是对我最大的鼓励。
  • 感谢您的阅读,十分欢迎并感谢您的关注。
    在这里插入图片描述
    巨人的肩膀摘苹果:
    https://www.cnkirito.moe/java-jmh/
    https://jmh.morethan.io/