欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Java HashMap的工作原理

程序员文章站 2024-03-09 15:07:17
大部分java开发者都在使用map,特别是hashmap。hashmap是一种简单但强大的方式去存储和获取数据。但有多少开发者知道hashmap内部如何工作呢?几天前,我阅...

大部分java开发者都在使用map,特别是hashmap。hashmap是一种简单但强大的方式去存储和获取数据。但有多少开发者知道hashmap内部如何工作呢?几天前,我阅读了java.util.hashmap的大量源代码(包括java 7 和java 8),来深入理解这个基础的数据结构。在这篇文章中,我会解释java.util.hashmap的实现,描述java 8实现中添加的新特性,并讨论性能、内存以及使用hashmap时的一些已知问题。

内部存储

java hashmap类实现了map<k, v>接口。这个接口中的主要方法包括:

v put(k key, v value)
v get(object key)
v remove(object key)
boolean containskey(object key)

hashmap使用了一个内部类entry<k, v>来存储数据。这个内部类是一个简单的键值对,并带有额外两个数据:

一个指向其他入口(译者注:引用对象)的引用,这样hashmap可以存储类似链接列表这样的对象。
一个用来代表键的哈希值,存储这个值可以避免hashmap在每次需要时都重新生成键所对应的哈希值。
下面是entry<k, v>在java 7下的一部分代码:

static class entry<k,v> implements map.entry<k,v> {
final k key;
v value;
entry<k,v> next;
int hash;
…
}

hashmap将数据存储到多个单向entry链表中(有时也被称为桶bucket或者容器orbins)。所有的列表都被注册到一个entry数组中(entry<k, v>[]数组),这个内部数组的默认长度是16。

下面这幅图描述了一个hashmap实例的内部存储,它包含一个nullable对象组成的数组。每个对象都连接到另外一个对象,这样就构成了一个链表。

Java HashMap的工作原理

所有具有相同哈希值的键都会被放到同一个链表(桶)中。具有不同哈希值的键最终可能会在相同的桶中。

当用户调用 put(k key, v value) 或者 get(object key) 时,程序会计算对象应该在的桶的索引。然后,程序会迭代遍历对应的列表,来寻找具有相同键的entry对象(使用键的equals()方法)。

对于调用get()的情况,程序会返回值所对应的entry对象(如果entry对象存在)。

对于调用put(k key, v value)的情况,如果entry对象已经存在,那么程序会将值替换为新值,否则,程序会在单向链表的表头创建一个新的entry(从参数中的键和值)。

桶(链表)的索引,是通过map的3个步骤生成的:

首先获取键的散列码。

程序重复散列码,来阻止针对键的糟糕的哈希函数,因为这有可能会将所有的数据都放到内部数组的相同的索引(桶)上。
程序拿到重复后的散列码,并对其使用数组长度(最小是1)的位掩码(bit-mask)。这个操作可以保证索引不会大于数组的大小。你可以将其看做是一个经过计算的优化取模函数。

下面是生成索引的源代码:

// 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);
}

为了更有效地工作,内部数组的大小必须是2的幂值。让我们看一下为什么:

假设数组的长度是17,那么掩码的值就是16(数组长度-1)。16的二进制表示是0…010000,这样对于任何值h来说,“h & 16”的结果就是16或者0。这意味着长度为17的数组只能应用到两个桶上:一个是0,另外一个是16,这样不是很有效率。但是如果你将数组的长度设置为2的幂值,例如16,那么按位索引的工作变成“h & 15”。15的二进制表示是0…001111,索引公式输出的值可以从0到15,这样长度为16的数组就可以被充分使用了。例如:

如果h = 952,它的二进制表示是0..01110111000,对应的索引是0…01000 = 8
如果h = 1576,它的二进制表示是0..011000101000,对应的索引是0…01000 = 8
如果h = 12356146,它的二进制表示是0..0101111001000101000110010,对应的索引是0…00010 = 2
如果h = 59843,它的二进制表示是0..01110100111000011,它对应的索引是0…00011 = 3
这种机制对于开发者来说是透明的:如果他选择一个长度为37的hashmap,map会自动选择下一个大于37的2的幂值(64)作为内部数组的长度。

自动调整大小

在获取索引后,get()、put()或者remove()方法会访问对应的链表,来查看针对指定键的entry对象是否已经存在。在不做修改的情况下,这个机制可能会导致性能问题,因为这个方法需要迭代整个列表来查看entry对象是否存在。假设内部数组的长度采用默认值16,而你需要存储2,000,000条记录。在最好的情况下,每个链表会有125,000个entry对象(2,000,000/16)。get()、remove()和put()方法在每一次执行时,都需要进行125,000次迭代。为了避免这种情况,hashmap可以增加内部数组的长度,从而保证链表中只保留很少的entry对象。

当你创建一个hashmap时,你可以通过以下构造函数指定一个初始长度,以及一个loadfactor:

</pre>
public hashmap(int initialcapacity, float loadfactor)
<pre>

如果你不指定参数,那么默认的initialcapacity的值是16, loadfactor的默认值是0.75。initialcapacity代表内部数组的链表的长度。

当你每次使用put(…)方法向map中添加一个新的键值对时,该方法会检查是否需要增加内部数组的长度。为了实现这一点,map存储了2个数据:

map的大小:它代表hashmap中记录的条数。我们在向hashmap中插入或者删除值时更新它。

阀值:它等于内部数组的长度*loadfactor,在每次调整内部数组的长度时,该阀值也会同时更新。

在添加新的entry对象之前,put(…)方法会检查当前map的大小是否大于阀值。如果大于阀值,它会创建一个新的数组,数组长度是当前内部数组的两倍。因为新数组的大小已经发生改变,所以索引函数(就是返回“键的哈希值 & (数组长度-1)”的位运算结果)也随之改变。调整数组的大小会创建两个新的桶(链表),并且将所有现存entry对象重新分配到桶上。调整数组大小的目标在于降低链表的大小,从而降低put()、remove()和get()方法的执行时间。对于具有相同哈希值的键所对应的所有entry对象来说,它们会在调整大小后分配到相同的桶中。但是,如果两个entry对象的键的哈希值不一样,但它们之前在同一个桶上,那么在调整以后,并不能保证它们依然在同一个桶上。

Java HashMap的工作原理

这幅图片描述了调整前和调整后的内部数组的情况。在调整数组长度之前,为了得到entry对象e,map需要迭代遍历一个包含5个元素的链表。在调整数组长度之后,同样的get()方法则只需要遍历一个包含2个元素的链表,这样get()方法在调整数组长度后的运行速度提高了2倍。

线程安全

如果你已经非常熟悉hashmap,那么你肯定知道它不是线程安全的,但是为什么呢?例如假设你有一个writer线程,它只会向map中插入已经存在的数据,一个reader线程,它会从map中读取数据,那么它为什么不工作呢?

因为在自动调整大小的机制下,如果线程试着去添加或者获取一个对象,map可能会使用旧的索引值,这样就不会找到entry对象所在的新桶。

在最糟糕的情况下,当2个线程同时插入数据,而2次put()调用会同时出发数组自动调整大小。既然两个线程在同时修改链表,那么map有可能在一个链表的内部循环中退出。如果你试着去获取一个带有内部循环的列表中的数据,那么get()方法永远不会结束。

hashtable提供了一个线程安全的实现,可以阻止上述情况发生。但是,既然所有的同步的crud操作都非常慢。例如,如果线程1调用get(key1),然后线程2调用get(key2),线程2调用get(key3),那么在指定时间,只能有1个线程可以得到它的值,但是3个线程都可以同时访问这些数据。

从java 5开始,我们就拥有一个更好的、保证线程安全的hashmap实现:concurrenthashmap。对于concurrentmap来说,只有桶是同步的,这样如果多个线程不使用同一个桶或者调整内部数组的大小,它们可以同时调用get()、remove()或者put()方法。在一个多线程应用程序中,这种方式是更好的选择。

键的不变性

为什么将字符串和整数作为hashmap的键是一种很好的实现?主要是因为它们是不可变的!如果你选择自己创建一个类作为键,但不能保证这个类是不可变的,那么你可能会在hashmap内部丢失数据。

我们来看下面的用例:

你有一个键,它的内部值是“1”。

你向hashmap中插入一个对象,它的键就是“1”。

hashmap从键(即“1”)的散列码中生成哈希值。

map在新创建的记录中存储这个哈希值。

你改动键的内部值,将其变为“2”。

键的哈希值发生了改变,但是hashmap并不知道这一点(因为存储的是旧的哈希值)。

你试着通过修改后的键获取相应的对象。

map会计算新的键(即“2”)的哈希值,从而找到entry对象所在的链表(桶)。

情况1: 既然你已经修改了键,map会试着在错误的桶中寻找entry对象,没有找到。

情况2: 你很幸运,修改后的键生成的桶和旧键生成的桶是同一个。map这时会在链表中进行遍历,已找到具有相同键的entry对象。但是为了寻找键,map首先会通过调用equals()方法来比较键的哈希值。因为修改后的键会生成不同的哈希值(旧的哈希值被存储在记录中),那么map没有办法在链表中找到对应的entry对象。

下面是一个java示例,我们向map中插入两个键值对,然后我修改第一个键,并试着去获取这两个对象。你会发现从map中返回的只有第二个对象,第一个对象已经“丢失”在hashmap中:

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);
}
}

上述代码的输出是“test1=null test2=test 2”。如我们期望的那样,map没有能力获取经过修改的键 1所对应的字符串1。

java 8 中的改进

在java 8中,hashmap中的内部实现进行了很多修改。的确如此,java 7使用了1000行代码来实现,而java 8中使用了2000行代码。我在前面描述的大部分内容在java 8中依然是对的,除了使用链表来保存entry对象。在java 8中,我们仍然使用数组,但它会被保存在node中,node中包含了和之前entry对象一样的信息,并且也会使用链表:

下面是在java 8中node实现的一部分代码:

static class node<k,v> implements map.entry<k,v> {
final int hash;
final k key;
v value;
node<k,v> next;

那么和java 7相比,到底有什么大的区别呢?好吧,node可以被扩展成treenode。treenode是一个红黑树的数据结构,它可以存储更多的信息,这样我们可以在o(log(n))的复杂度下添加、删除或者获取一个元素。下面的示例描述了treenode保存的所有信息:

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;

红黑树是自平衡的二叉搜索树。它的内部机制可以保证它的长度总是log(n),不管我们是添加还是删除节点。使用这种类型的树,最主要的好处是针对内部表中许多数据都具有相同索引(桶)的情况,这时对树进行搜索的复杂度是o(log(n)),而对于链表来说,执行相同的操作,复杂度是o(n)。

如你所见,我们在树中确实存储了比链表更多的数据。根据继承原则,内部表中可以包含node(链表)或者treenode(红黑树)。oracle决定根据下面的规则来使用这两种数据结构:

- 对于内部表中的指定索引(桶),如果node的数目多于8个,那么链表就会被转换成红黑树。

- 对于内部表中的指定索引(桶),如果node的数目小于6个,那么红黑树就会被转换成链表。

Java HashMap的工作原理

这张图片描述了在java 8 hashmap中的内部数组,它既包含树(桶0),也包含链表(桶1,2和3)。桶0是一个树结构是因为它包含的节点大于8个。

内存开销

java 7

使用hashmap会消耗一些内存。在java 7中,hashmap将键值对封装成entry对象,一个entry对象包含以下信息:

指向下一个记录的引用
一个预先计算的哈希值(整数)
一个指向键的引用
一个指向值的引用

此外,java 7中的hashmap使用了entry对象的内部数组。假设一个java 7 hashmap包含n个元素,它的内部数组的容量是capacity,那么额外的内存消耗大约是:

sizeof(integer)* n + sizeof(reference)* (3*n+c)

其中:

整数的大小是4个字节

引用的大小依赖于jvm、操作系统以及处理器,但通常都是4个字节。

这就意味着内存总开销通常是16 * n + 4 * capacity字节。

注意:在map自动调整大小后,capacity的值是下一个大于n的最小的2的幂值。

注意:从java 7开始,hashmap采用了延迟加载的机制。这意味着即使你为hashmap指定了大小,在我们第一次使用put()方法之前,记录使用的内部数组(耗费4*capacity字节)也不会在内存中分配空间。

java 8

在java 8实现中,计算内存使用情况变得复杂一些,因为node可能会和entry存储相同的数据,或者在此基础上再增加6个引用和一个boolean属性(指定是否是treenode)。

如果所有的节点都只是node,那么java 8 hashmap消耗的内存和java 7 hashmap消耗的内存是一样的。

如果所有的节点都是treenode,那么java 8 hashmap消耗的内存就变成:

n * sizeof(integer) + n * sizeof(boolean) + sizeof(reference)* (9*n+capacity )

在大部分标准jvm中,上述公式的结果是44 * n + 4 * capacity 字节。

性能问题

非对称hashmap vs 均衡hashmap

在最好的情况下,get()和put()方法都只有o(1)的复杂度。但是,如果你不去关心键的哈希函数,那么你的put()和get()方法可能会执行非常慢。put()和get()方法的高效执行,取决于数据被分配到内部数组(桶)的不同的索引上。如果键的哈希函数设计不合理,你会得到一个非对称的分区(不管内部数据的是多大)。所有的put()和get()方法会使用最大的链表,这样就会执行很慢,因为它需要迭代链表中的全部记录。在最坏的情况下(如果大部分数据都在同一个桶上),那么你的时间复杂度就会变为o(n)。

下面是一个可视化的示例。第一张图描述了一个非对称hashmap,第二张图描述了一个均衡hashmap。

Java HashMap的工作原理

skewedhashmap

在这个非对称hashmap中,在桶0上运行get()和put()方法会很花费时间。获取记录k需要花费6次迭代。

Java HashMap的工作原理

在这个均衡hashmap中,获取记录k只需要花费3次迭代。这两个hashmap存储了相同数量的数据,并且内部数组的大小一样。唯一的区别是键的哈希函数,这个函数用来将记录分布到不同的桶上。

下面是一个使用java编写的极端示例,在这个示例中,我使用哈希函数将所有的数据放到相同的链表(桶),然后我添加了2,000,000条数据。

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()));
}
}

我的机器配置是core i5-2500k @ 3.6g,在java 8u40下需要花费超过45分钟的时间来运行(我在45分钟后停止了进程)。如果我运行同样的代码, 但是我使用如下的hash函数:

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

运行它需要花费46秒,和之前比,这种方式好很多了!新的hash函数比旧的hash函数在处理哈希分区时更合理,因此调用put()方法会更快一些。如果你现在运行相同的代码,但是使用下面的hash函数,它提供了更好的哈希分区:

@override
public int hashcode() {
return i;
}

现在只需要花费2秒!

我希望你能够意识到哈希函数有多重要。如果在java 7上面运行同样的测试,第一个和第二个的情况会更糟(因为java 7中的put()方法复杂度是o(n),而java 8中的复杂度是o(log(n))。

在使用hashmap时,你需要针对键找到一种哈希函数,可以将键扩散到最可能的桶上。为此,你需要避免哈希冲突。string对象是一个非常好的键,因为它有很好的哈希函数。integer也很好,因为它的哈希值就是它自身的值。

调整大小的开销

如果你需要存储大量数据,你应该在创建hashmap时指定一个初始的容量,这个容量应该接近你期望的大小。

如果你不这样做,map会使用默认的大小,即16,factorload的值是0.75。前11次调用put()方法会非常快,但是第12次(16*0.75)调用时会创建一个新的长度为32的内部数组(以及对应的链表/树),第13次到第22次调用put()方法会很快,但是第23次(32*0.75)调用时会重新创建(再一次)一个新的内部数组,数组的长度翻倍。然后内部调整大小的操作会在第48次、96次、192次…..调用put()方法时触发。如果数据量不大,重建内部数组的操作会很快,但是数据量很大时,花费的时间可能会从秒级到分钟级。通过初始化时指定map期望的大小,你可以避免调整大小操作带来的消耗。

但这里也有一个缺点:如果你将数组设置的非常大,例如2^28,但你只是用了数组中的2^26个桶,那么你将会浪费大量的内存(在这个示例中大约是2^30字节)。

结论

对于简单的用例,你没有必要知道hashmap是如何工作的,因为你不会看到o(1)、o(n)以及o(log(n))之间的区别。但是如果能够理解这一经常使用的数据结构背后的机制,总是有好处的。另外,对于java开发者职位来说,这是一道典型的面试问题。

对于大数据量的情况,了解hashmap如何工作以及理解键的哈希函数的重要性就变得非常重要。

我希望这篇文章可以帮助你对hashmap的实现有一个深入的理解。