HashMap笔记（JDK 1.7 & JDK 1.8）

内容参考自：（感谢作者，仅学习整合，如侵必删）

Java：手把手带你源码分析 HashMap 1.7

Java源码分析：关于 HashMap 1.8 的重大更新

文章目录

HashMap笔记（JDK 1.7 & JDK 1.8）

一、简介

二、数据结构（1.7 和1.8 有主要差异）

三、具体使用

四、基础知识：HashMap中的重要参数（7&8基本相同）

五、源码分析

一、简介

1、类定义

public class HashMap<K,V>
         extends AbstractMap<K,V> 
         implements Map<K,V>, Cloneable, Serializable

2、主要介绍

二、数据结构（1.7 和1.8 有主要差异）

1、具体描述

1.7 HashMap 和 1.8 HashMap 有 主要不同

1.7 HashMap 采用的数据结构 = 数组（主）+单链表（副），也称拉链法，具体描述如下：

结构	描述	备注
数组（主）	- 核心底层 = 1个数组（ table[] ）（又称：哈希数组） - 数组下标 = 进过处理的键key的hash值（通过hashCode()计算等一系列处理） - 数组元素 = 1个键值对 = 1个链表（头节点） - 数组大小 = HashMap的容量（capacity）
单链表（副）	- 每个链表 = 哈希表的桶（bucket） - 链表的节点值 = 1个键值对 - 链表的长度 = 桶的大小	- 链表主要用于解决哈希冲突：若不同的key计算出的hash值相同（即都需存放到数组的同一位置），由于之前该hash值的数组位置已经存放元素，则将原先位置的元素移到单链表中，冲突hash值对应的元素放入数组中。（即发生冲突时，新元素插入到链表头中：新元素总是添加到数组中，旧元素移到链表中） - 该采用链表解决hash冲突的方法 = 链地址法
注：HashMap的键值对数量 = 数组的键值对 + 所有单链表的键值对

2、示意图

1.8 引入了红黑树

关于红黑树了解：http://blog.csdn.net/v_july_v/article/details/6105630

附：既然红黑树那么好，为啥HashMap不全部采用红黑树？

因为红黑树需要进行左旋，右旋操作，而单链表不需要。红黑树查询快但新增成本高，链表反之。

整体都是考虑时间和空间的权衡

附：为什么Map桶中个数超过8才转为红黑树?

源码注释得知，理想情况下的hashCode算法一个bin桶中的分布频率符合泊松分布，达到8的概率已经非常小了，所以选择了8。

当hashCode离散性很好的时候，树型bin用到的概率非常小，因为数据均匀分布在每个bin中，几乎不会有bin中链表长度会达到阈值。但是在随机hashCode下，离散性可能会变差，然而JDK又不能阻止用户实现这种不好的hash算法，因此就可能导致不均匀的数据分布。不过理想情况下随机hashCode算法下所有bin中节点的分布频率会遵循泊松分布，我们可以看到，一个bin中链表长度达到8个元素的概率为0.00000006，几乎是不可能事件。

Because TreeNodes are about twice the size of regular nodes, we
use them only when bins contain enough nodes to warrant use
(see TREEIFY_THRESHOLD). And when they become too small (due to
removal or resizing) they are converted back to plain bins.  In
usages with well-distributed user hashCodes, tree bins are
rarely used.  Ideally, under random hashCodes, the frequency of
nodes in bins follows a Poisson distribution
(http://en.wikipedia.org/wiki/Poisson_distribution) with a
parameter of about 0.5 on average for the default resizing
threshold of 0.75, although with a large variance because of
resizing granularity. Ignoring variance, the expected
occurrences of list size k are (exp(-0.5)*pow(0.5, k)/factorial(k)). 
The first values are:
0:    0.60653066
1:    0.30326533
2:    0.07581633
3:    0.01263606
4:    0.00157952
5:    0.00015795
6:    0.00001316
7:    0.00000094
8:    0.00000006
more: less than 1 in ten million

   // 1. 桶的树化阈值：即 链表转成红黑树的阈值，在存储数据时，当链表长度 > 该值时，则将链表转换成红黑树
   static final int TREEIFY_THRESHOLD = 8; 
   // 2. 桶的链表还原阈值：即 红黑树转为链表的阈值，当在扩容（resize（））时（此时HashMap的数据存储位置会重新计算），在重新计算存储位置后，当原有的红黑树内数量 < 6时，则将 红黑树转换成链表
   static final int UNTREEIFY_THRESHOLD = 6;

选择6和8，中间有个差值7可以有效防止链表和树频繁转换。

附：为什么使用红黑树而不是AVL树？

红黑树整体统计性能优于AVL树：

因为红黑树本身不是完全平衡的二叉树（只是“黑”平衡），所以插入删除性能略高于AVL，但牺牲了查找性能。

而AVL是完全平衡的二叉树，自平衡的计算牺牲了插入删除性能，但是因为最多只有一层的高度差，所以查找效率高些。

对于查找密集型任务，使用AVL树；对于插入密集型任务，使用红黑树。

3、存储流程

1.7

1.8

4、数组元素 & 链表结点的实现类

1.7 HashMap中的数组元素 & 链表节点采用 Entry类实现
1.8 HashMap中的数组元素 & 链表节点采用 Node类实现，红黑树节点采用 TreeNode 类实现

与 JDK 1.7 的对比（Entry类），仅仅只是换了名字

三、具体使用

1、主要使用API（1.7和1.8基本相同）

V get(Object key); // 获得指定键的值
V put(K key, V value);  // 添加键值对
void putAll(Map<? extends K, ? extends V> m);  // 将指定Map中的键值对 复制到 此Map中
V remove(Object key);  // 删除该键值对

boolean containsKey(Object key); // 判断是否存在该键的键值对；是 则返回true
boolean containsValue(Object value);  // 判断是否存在该值的键值对；是 则返回true
 
Set<K> keySet();  // 单独抽取key序列，将所有key生成一个Set
Collection<V> values();  // 单独value序列，将所有value生成一个Collection

void clear(); // 清除哈希表中的所有键值对
int size();  // 返回哈希表中所有 键值对的数量 = 数组中的键值对 + 链表中的键值对
boolean isEmpty(); // 判断HashMap是否为空；size == 0时 表示为 空

2、使用流程（7和8基本相同）

在具体使用时，主要流程是：

声明1个 HashMap的对象
向 HashMap 添加数据（成对放入键 - 值对）
获取 HashMap 的某个数据
获取 HashMap 的全部数据：遍历HashMap

四、基础知识：HashMap中的重要参数（7&8基本相同）

HashMap的主要参数：容量（capacity）、加载因子（loadFactor）、扩容阈值（threshold）

1.8 由于数据结构中引入了红黑树，故加入了 与红黑树相关的参数。具体介绍如下：

/** 
   * JDK 1.8
   * 主要参数 同  JDK 1.7 
   * 即：容量、加载因子、扩容阈值（要求、范围均相同）
   */

// 1. 容量（capacity）HashMap中的数组长度
// a. 容量范围：必须是2的幂 & < 最大容量（2的30次方）
// b. 初始容量 = 哈希表创建时的容量
  static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // 默认容量 = 16 = 1<<4 = 00001中的1向左移4位 = 10000 = 十进制的2^4=16
  static final int MAXIMUM_CAPACITY = 1 << 30; // 最大容量 =  2的30次方（若传入的容量过大，将被最大值替换）

// 2. 加载因子（loadFactor）：HashMap在其容量扩容前可到达多满的一种尺度
// a. 加载因子越大，填满的元素越多 = 空间利用率高，但冲突的机会变大，查找效率变低（因为链表变长了）
// b. 加载因子越小，填满的元素越少 = 空间利用率小，冲突的机会变小，查找效率变高（链表变短）
  final float loadFactor; // 实际加载因子
  static final float DEFAULT_LOAD_FACTOR = 0.75f; // 默认加载因子 = 0.75

// 3. 扩容阈值（threshold）：当哈希表的大小 ≥ 扩容阈值是，就会扩容哈希表（即capacity）
// a. 扩容 = 对哈希表进行resize操作（即重建内部数据结构），从而哈希表将具有大约两倍的桶数
// b. 扩容阈值 = 容量 × 加载因子
  int threshold;

// 4. 其他
  transient Node<K,V>[] table; // 存储数据的Node类型 数组，长度 = 2的幂；数组的每个元素 = 1个单链表
  transient int size;// HashMap的大小，即 HashMap中存储的键值对的数量

  /** 
   * 与红黑树相关的参数
   */
   // 1. 桶的树化阈值：即 链表转成红黑树的阈值，在存储数据时，当链表长度 > 该值时，则将链表转换成红黑树
   static final int TREEIFY_THRESHOLD = 8; 
   // 2. 桶的链表还原阈值：即 红黑树转为链表的阈值，当在扩容（resize（））时（此时HashMap的数据存储位置会重新计算），在重新计算存储位置后，当原有的红黑树内数量 < 6时，则将 红黑树转换成链表
   static final int UNTREEIFY_THRESHOLD = 6;
   // 3. 最小树形化容量阈值：即 当哈希表中的容量 > 该值时，才允许树形化链表 （即 将链表 转换成红黑树）
   // 否则，若桶内元素太多时，则直接扩容，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;

容量 capacity 必须是2的幂

如果传入的capacity不是2的幂，这个运算的结果是比我们传入的参数要大，而且是离我们传入的参数最近的2的幂的数。

为什么大小必须是2的幂？

原因有两点：1.加快哈希运算 2.减少哈希冲突

加快哈希运算：hash &（length - 1），因为位运算与 & 比逻辑运算取模 % 快一点点点
保证数据分散，减少哈希冲突：使用2的幂为长度，则length-1后为奇数，该奇数转为2进制后最后一位肯定是1。这样奇偶由hash值决定。否则，length-1后为偶数的话，最后一位是0，& hash都是偶数。

加载因子（DEFAULT_LOAD_FACTOR = 0.75f）

很小概率问道为什么是 0.75？若问答下

源码注释：时间和空间的平衡

<p>As a general rule, the default load factor (.75) offers a good* tradeoff between time and space costs.

一个bucket空和非空的概率为0.5，通过牛顿二项式等数学计算，得到这个loadfactor的值为log（2），约等于0.693。取0.75应该是方便计算。

参考 What is the significance of load factor in HashMap?

五、源码分析

本次的源码分析主要是根据 使用步骤 进行相关函数的详细分析
主要分析内容如下：

1、步骤1：声明一个HashMap的对象

/**
  * 函数使用原型
  */
  Map<String,Integer> map = new HashMap<String,Integer>();

 /**
   * 源码分析：主要是HashMap的构造函数 = 4个
   * 仅贴出关于HashMap构造函数的源码
   */
  public class HashMap<K,V>
      extends AbstractMap<K,V>
      implements Map<K,V>, Cloneable, Serializable{

    // 省略上节阐述的参数
    
  /**
     * 构造函数1：默认构造函数（无参）
     * 加载因子 & 容量 = 默认 = 0.75、16
     */
    public HashMap() {
        // 实际上是调用构造函数3：指定“容量大小”和“加载因子”的构造函数
        // 传入的指定容量 & 加载因子 = 默认
        this(DEFAULT_INITIAL_CAPACITY, DEFAULT_LOAD_FACTOR); 
    }

    /**
     * 构造函数2：指定“容量大小”的构造函数
     * 加载因子 = 默认 = 0.75 、容量 = 指定大小
     */
    public HashMap(int initialCapacity) {
        // 实际上是调用指定“容量大小”和“加载因子”的构造函数
        // 只是在传入的加载因子参数 = 默认加载因子
        this(initialCapacity, DEFAULT_LOAD_FACTOR);
        
    }

    /**
     * 构造函数3：指定“容量大小”和“加载因子”的构造函数
     * 加载因子 & 容量 = 自己指定
     */
    public HashMap(int initialCapacity, float loadFactor) {

        // HashMap的最大容量只能是MAXIMUM_CAPACITY，哪怕传入的 > 最大容量
        if (initialCapacity > MAXIMUM_CAPACITY)
            initialCapacity = MAXIMUM_CAPACITY;

        // 设置 加载因子
        this.loadFactor = loadFactor;
        // 设置 扩容阈值 = 初始容量
        // 注：此处不是真正的阈值，是为了扩展table，该阈值后面会重新计算，下面会详细讲解  
        threshold = initialCapacity;   

        init(); // 一个空方法用于未来的子对象扩展
    }

    /**
     * 构造函数4：包含“子Map”的构造函数
     * 即 构造出来的HashMap包含传入Map的映射关系
     * 加载因子 & 容量 = 默认
     */

    public HashMap(Map<? extends K, ? extends V> m) {

        // 设置容量大小 & 加载因子 = 默认
        this(Math.max((int) (m.size() / DEFAULT_LOAD_FACTOR) + 1,
                DEFAULT_INITIAL_CAPACITY), DEFAULT_LOAD_FACTOR);

        // 该方法用于初始化 数组 & 阈值，下面会详细说明
        inflateTable(threshold);

        // 将传入的子Map中的全部元素逐个添加到HashMap中
        putAllForCreate(m);
    }
}

1.8 不同

   /**
     * 分析1：tableSizeFor(initialCapacity)
     * 作用：将传入的容量大小转化为：>传入容量大小的最小的2的幂
     * 与JDK 1.7对比：类似于JDK 1.7 中 inflateTable()里的 roundUpToPowerOf2(toSize)
     */
    static final int tableSizeFor(int cap) {
     int n = cap - 1;
     n |= n >>> 1;
     n |= n >>> 2;
     n |= n >>> 4;
     n |= n >>> 8;
     n |= n >>> 16;
     return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
}

注：（同JDK 1.7类似）
1. 此处仅用于接收初始容量大小（capacity）、加载因子(Load factor)，但仍无真正初始化哈希表，即初始化存储数组table
2. 此处先给出结论：真正初始化哈希表（初始化存储数组table）是在第1次添加键值对时，即第1次调用put（）时。下面会详细说明

2、步骤2：向HashMap添加数据（成对放入键 - 值对）（7&8主要差异）

版本	初始化方式	hash值的计算方式	存放数据的规则	插入数据的方式	扩容后存储位置的计算方式
JDK 1.7	单独函数：infalteTable()	1.hashCode() 2.扰动处理 = 9次扰动 = 4次位运算 + 5次异或运算	数组、链表 - 无冲突时，存放在数组 - 有冲突时，存放在链表	头插法（先将原位置的数据移到后一位，再插入数据到该位置）	全部按照原来的方法计算（即 hashCode() ->> 扰动处理 ->> (h & length - 1) ）
JDK 1.8	直接集成在扩容函数：resize()	1.hashCode() 2.扰动处理 = 2次扰动 = 1次位运算 + 1次异或运算	数组、链表、红黑树 - 无冲突时，存放数组 - 有冲突 & 链表长度 < 8时，存放链表 - 有冲突 & 链表长度 > 8时，存放红黑树	尾插法（直接插入到链表尾部 / 红黑树）	按照扩容后的规律计算（即扩容后的位置 = 原位置 or 原位置 + 旧容量）

1.7 添加数据的流程如下

   /**
     * 源码分析：主要分析： HashMap的put函数
     */
    public V put(K key, V value)
        // 1. 若 哈希表未初始化（即 table为空) 
        // 则使用 构造函数时设置的阈值(即初始容量) 初始化 数组table  
        if (table == EMPTY_TABLE) { 
        inflateTable(threshold); 
    }  
        // 2. 判断key是否为空值null
        // 2.1 若key == null，则将该键-值 存放到数组table 中的第1个位置，即table [0]
        // （本质：key = Null时，hash值 = 0，故存放到table[0]中）
        // 该位置永远只有1个value，新传进来的value会覆盖旧的value
        if (key == null)
            return putForNullKey(value);

        // 2.2 若 key ≠ null，则计算存放数组 table 中的位置（下标、索引）
        // a. 根据键值key计算hash值
        int hash = hash(key);
        // b. 根据hash值 最终获得 key对应存放的数组Table中位置
        int i = indexFor(hash, table.length);

        // 3. 判断该key对应的值是否已存在（通过遍历 以该数组元素为头结点的链表 逐个判断）
        for (Entry<K,V> e = table[i]; e != null; e = e.next) {
            Object k;
        // 3.1 若该key已存在（即 key-value已存在 ），则用 新value 替换 旧value
            if (e.hash == hash && ((k = e.key) == key || key.equals(k))) {
                V oldValue = e.value;
                e.value = value;
                e.recordAccess(this);
                return oldValue; //并返回旧的value
            }
        }

        modCount++;

        // 3.2 若 该key不存在，则将“key-value”添加到table中
        addEntry(hash, key, value, i);
        return null;
    }

1.8 添加数据的流程如下

   /**
     * 源码分析：主要分析HashMap的put函数
     */
    public V put(K key, V value) {
        // 1. 对传入数组的键Key计算Hash值 ->>分析1
        // 2. 再调用putVal（）添加数据进去 ->>分析2
        return putVal(hash(key), key, value, false, true);
    }

分析1：hash（key）!!7&8差异

   /**
     * 分析1：hash(key)
     * 作用：计算传入数据的哈希码（哈希值、Hash值）
     * 该函数在JDK 1.7 和 1.8 中的实现不同，但原理一样 = 扰动函数 = 使得根据key生成的哈希码（hash值）分布更加均匀、更具备随机性，避免出现hash值冲突（即指不同key但生成同1个hash值）
     * JDK 1.7 做了9次扰动处理 = 4次位运算 + 5次异或运算
     * JDK 1.8 简化了扰动函数 = 只做了2次扰动 = 1次位运算 + 1次异或运算
     */

      // JDK 1.7实现：将 键key 转换成 哈希码（hash值）操作  = 使用hashCode() + 4次位运算 + 5次异或运算（9次扰动）
      static final int hash(int h) {
        h ^= k.hashCode(); 
        h ^= (h >>> 20) ^ (h >>> 12);
        return h ^ (h >>> 7) ^ (h >>> 4);
     }

      // JDK 1.8实现：将 键key 转换成 哈希码（hash值）操作 = 使用hashCode() + 1次位运算 + 1次异或运算（2次扰动）
      // 1. 取hashCode值： h = key.hashCode() 
      // 2. 高位参与低位的运算：h ^ (h >>> 16)  
      static final int hash(Object key) {
           int h;
            return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
            // a. 当key = null时，hash值 = 0，所以HashMap的key 可为null      
            // 注：对比HashTable，HashTable对key直接hashCode（），若key为null时，会抛出异常，所以HashTable的key不可为null
            // b. 当key ≠ null时，则通过先计算出 key的 hashCode()（记为h），然后 对哈希码进行 扰动处理： 按位 异或（^） 哈希码自身右移16位后的二进制
     }

   /**
     * 计算存储位置的函数分析：indexFor(hash, table.length)
     * 注：该函数仅存在于JDK 1.7 ，JDK 1.8中实际上无该函数（在putVal()中判断写出），但原理相同
     * 为了方便讲解，故提前到此讲解
     */
     static int indexFor(int h, int length) {  
          return h & (length-1); 
          // 将对哈希码扰动处理后的结果 与运算(&) （数组长度-1），最终得到存储在数组table的位置（即数组下标、索引）
     }

总结计算存放在数组 table 中的位置（即数组下标、索引）的过程

此处与 JDK 1.7的区别在于：hash值的求解过程中哈希码的二次处理方式（扰动处理）

步骤1、2 = hash值的求解过程

步骤	代码实现	具体实现过程
1.计算哈希码	h = key.hashCode()	根据键key，通过hashCode()计算 hashCode()简介 - 定义：Object类的方法，即所有Java对象都可以调用 - 作用：根据对象的内存地址通过特点算法返回一个哈希码 - 意义：保证每个对象的哈希码尽可能不同，从而提高在散列结构存储中查找效率 - 注：可重写，Object类提供的默认实现确保每个对象的hash吗不同
2.二次处理哈希码（最终求得键对应的hash值）	h ^ (h >>> 16)	- 该处理也称扰动处理 -即哈希码异或(^) 哈希码自身右移16位后的二进制 -本质：二次处理低位 = 哈希码的高16位不变、低16位 = 低16位异或高16位（即高位参与低位的运算）
3.最终计算存储的数组位置（根据hash值 & 数组长度）	h & (length - 1)	二次处理的哈希码与运算(&) （数组长度-1）

计算示意图

在了解如何计算存放数组table 中的位置后，所谓 知其然而需知其所以然，下面我将讲解为什么要这样计算，即主要解答以下3个问题：

为什么不直接采用经过hashCode（）处理的哈希码作为存储数组table的下标位置？
为什么采用哈希码 与运算(&) （数组长度-1）计算数组下标？
为什么在计算数组下标前，需对哈希码进行二次处理：扰动处理？

在回答这3个问题前，请大家记住一个核心思想：

所有处理的根本目的，都是为了提高存储key-value的数组下标位置的 随机性 & 分布均匀性，尽量避免哈希冲突。即对于不同的key，存储的数组下标位置尽量不一样。

问题1：为什么不直接采用经过hashCode（）处理的哈希码作为存储数组table的下标位置？

结论：容易出现哈希码与数组大小不匹配的情况，即计算出来的哈希码不在数组大小范围内，从而导致无法匹配存储位置。
原因如下图

为了解决 ”哈希码与数组大小不匹配“ 的问题，HashMap给的解决方案：哈希码与运算（&）（数组长度-1）
引出问题2

问题2：为什么采用哈希码与运算(&) （数组长度-1）计算数组下标？

结论：根据HashMap的容量大小（数组长度），按需取哈希码一定数量的低位作为存储的数组下标，从而解决 “ 哈希码与数组大小范围不匹配 ” 的问题
具体描述如下图

问题3：为什么在计算数组下标前，需对哈希码进行二次处理：扰动处理？

结论：加大哈希码低位的随机性，使得分布更均匀，从而提高对数组存储下标位置的随机性&均匀性，最终减少哈希冲突。
具体如下图

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gc8NHlES-1584256511041)(C:\Users\Kevin\AppData\Roaming\Typora\typora-user-images\1584083041918.png)]

至此，关于怎么计算 key-value 值存储在HashMap数组位置 & 为什么要这么计算，讲解完毕。

分析2：putVal(hash(key), key, value, false, true);

此处有2个主要讲解点：

计算完存储位置后，具体该如何存放数据到哈希表中
具体如何扩容，即扩容机制

主要讲解点1：计算完存储位置后，具体该如何存放数据到哈希表中

由于数据结构中加入了红黑树，所以在存放数据到哈希表中时，需多次数据结构的判断：数组、红黑树、链表

与JDK 1.7的区别，1.7只需要判断数组和链表

   /**
     * 分析2：putVal(hash(key), key, value, false, true)
     */
     final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
               boolean evict) {

    		Node<K,V>[] tab; Node<K,V> p; int n, i;

    	// 1. 若哈希表的数组tab为空，则 通过resize() 创建
    	// 所以，初始化哈希表的时机 = 第1次调用put函数时，即调用resize() 初始化创建
    	// 关于resize（）的源码分析将在下面讲解扩容时详细分析，此处先跳过
   		if ((tab = table) == null || (n = tab.length) == 0)
        n = (tab = resize()).length;

    	// 2. 计算插入存储的数组索引i：根据键值key计算的hash值 得到
    	// 此处的数组下标计算方式 = i = (n - 1) & hash，同JDK 1.7中的indexFor（），上面已详细描述

    	// 3. 插入时，需判断是否存在Hash冲突：
    	// 若不存在（即当前table[i] == null），则直接在该数组位置新建节点，插入完毕
    	// 否则，代表存在Hash冲突，即当前存储位置已存在节点，则依次往下判断：a. 当前位置的key是否与需插入的key相同、b. 判断需插入的数据结构是否为红黑树 or 链表
    	if ((p = tab[i = (n - 1) & hash]) == null)
        tab[i] = newNode(hash, key, value, null);  // newNode(hash, key, value, null)的源码 = new Node<>(hash, key, value, next)

    else {
        Node<K,V> e; K k;

        // a. 判断 table[i]的元素的key是否与 需插入的key一样，若相同则 直接用新value 覆盖 旧value
        // 判断原则：equals（）
        if (p.hash == hash &&
            ((k = p.key) == key || (key != null && key.equals(k))))
            e = p;

        // b. 继续判断：需插入的数据结构是否为红黑树 or 链表
        // 若是红黑树，则直接在树中插入 or 更新键值对
        else if (p instanceof TreeNode)
            e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value); ->>分析3

        // 若是链表,则在链表中插入 or 更新键值对
        // i.  遍历table[i]，判断Key是否已存在：采用equals（） 对比当前遍历节点的key 与 需插入数据的key：若已存在，则直接用新value 覆盖 旧value
        // ii. 遍历完毕后仍无发现上述情况，则直接在链表尾部插入数据
        // 注：新增节点后，需判断链表长度是否>8（8 = 桶的树化阈值）：若是，则把链表转换为红黑树
        
        else {
            for (int binCount = 0; ; ++binCount) {
            	// 对于ii：若数组的下1个位置，表示已到表尾也没有找到key值相同节点，则新建节点 = 插入节点
            	// 注：此处是从链表尾插入，与JDK 1.7不同（从链表头插入，即永远都是添加到数组的位置，原来数组位置的数据则往后移）
                if ((e = p.next) == null) {
                    p.next = newNode(hash, key, value, null);

                    // 插入节点后，若链表节点>数阈值，则将链表转换为红黑树
                    if (binCount >= TREEIFY_THRESHOLD - 1) 
                        treeifyBin(tab, hash); // 树化操作
                    break;
                }

                // 对于i
                if (e.hash == hash &&
                    ((k = e.key) == key || (key != null && key.equals(k))))
                    break;

                // 更新p指向下一个节点，继续遍历
                p = e;
            }
        }

        // 对i情况的后续操作：发现key已存在，直接用新value 覆盖 旧value & 返回旧value
        if (e != null) { 
            V oldValue = e.value;
            if (!onlyIfAbsent || oldValue == null)
                e.value = value;
            afterNodeAccess(e); // 替换旧值时会调用的方法（默认实现为空）
            return oldValue;
        }
    }

    ++modCount;

    // 插入成功后，判断实际存在的键值对数量size > 最大容量threshold
    // 若 > ，则进行扩容 ->>分析4（但单独讲解，请直接跳出该代码块）
    if (++size > threshold)
        resize();

    afterNodeInsertion(evict);// 插入成功时会调用的方法（默认实现为空）
    return null;

}

	/**
     * 分析3：putTreeVal(this, tab, hash, key, value)
     * 作用：向红黑树插入 or 更新数据（键值对）
     * 过程：遍历红黑树判断该节点的key是否与需插入的key 相同：
     *      a. 若相同，则新value覆盖旧value
     *      b. 若不相同，则插入
     */

     final TreeNode<K,V> putTreeVal(HashMap<K,V> map, Node<K,V>[] tab,
                                       int h, K k, V v) {
            Class<?> kc = null;
            boolean searched = false;
            TreeNode<K,V> root = (parent != null) ? root() : this;
            for (TreeNode<K,V> p = root;;) {
                int dir, ph; K pk;
                if ((ph = p.hash) > h)
                    dir = -1;
                else if (ph < h)
                    dir = 1;
                else if ((pk = p.key) == k || (k != null && k.equals(pk)))
                    return p;
                else if ((kc == null &&
                          (kc = comparableClassFor(k)) == null) ||
                         (dir = compareComparables(kc, k, pk)) == 0) {
                    if (!searched) {
                        TreeNode<K,V> q, ch;
                        searched = true;
                        if (((ch = p.left) != null &&
                             (q = ch.find(h, k, kc)) != null) ||
                            ((ch = p.right) != null &&
                             (q = ch.find(h, k, kc)) != null))
                            return q;
                    }
                    dir = tieBreakOrder(k, pk);
                }

                TreeNode<K,V> xp = p;
                if ((p = (dir <= 0) ? p.left : p.right) == null) {
                    Node<K,V> xpn = xp.next;
                    TreeNode<K,V> x = map.newTreeNode(h, k, v, xpn);
                    if (dir <= 0)
                        xp.left = x;
                    else
                        xp.right = x;
                    xp.next = x;
                    x.parent = x.prev = xp;
                    if (xpn != null)
                        ((TreeNode<K,V>)xpn).prev = x;
                    moveRootToFront(tab, balanceInsertion(root, x));
                    return null;
                }
            }
        }

总结

主要讲解点2：扩容机制（即 resize（）函数）

扩容流程如下图

源码分析

   /**
     * 分析4：resize（）
     * 该函数有2种使用情况：1.初始化哈希表 2.当前数组容量过小，需扩容
     */
   final Node<K,V>[] resize() {
    Node<K,V>[] oldTab = table; // 扩容前的数组（当前数组）
    int oldCap = (oldTab == null) ? 0 : oldTab.length; // 扩容前的数组的容量 = 长度
    int oldThr = threshold;// 扩容前的数组的阈值
    int newCap, newThr = 0;

    // 针对情况2：若扩容前的数组容量超过最大值，则不再扩充
    if (oldCap > 0) {
        if (oldCap >= MAXIMUM_CAPACITY) {
            threshold = Integer.MAX_VALUE;
            return oldTab;
        }

        // 针对情况2：若无超过最大值，就扩充为原来的2倍
        else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
                 oldCap >= DEFAULT_INITIAL_CAPACITY)
            newThr = oldThr << 1; // 通过右移扩充2倍
    }

    // 针对情况1：初始化哈希表（采用指定 or 默认值）
    else if (oldThr > 0) // initial capacity was placed in threshold
        newCap = oldThr;

    else {               // zero initial threshold signifies using defaults
        newCap = DEFAULT_INITIAL_CAPACITY;
        newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
    }

    // 计算新的resize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;

    if (oldTab != null) {
        // 把每个bucket都移动到新的buckets中
        for (int j = 0; j < oldCap; ++j) {
            Node<K,V> e;
            if ((e = oldTab[j]) != null) {
                oldTab[j] = null;

                if (e.next == null)
                    newTab[e.hash & (newCap - 1)] = e;
                else if (e instanceof TreeNode)
                    ((TreeNode<K,V>)e).split(this, newTab, j, oldCap);

                else { // 链表优化重hash的代码块
                    Node<K,V> loHead = null, loTail = null;
                    Node<K,V> hiHead = null, hiTail = null;
                    Node<K,V> next;
                    do {
                        next = e.next;
                        // 原索引
                        if ((e.hash & oldCap) == 0) {
                            if (loTail == null)
                                loHead = e;
                            else
                                loTail.next = e;
                            loTail = e;
                        }
                        // 原索引 + oldCap
                        else {
                            if (hiTail == null)
                                hiHead = e;
                            else
                                hiTail.next = e;
                            hiTail = e;
                        }
                    } while ((e = next) != null);
                    // 原索引放到bucket里
                    if (loTail != null) {
                        loTail.next = null;
                        newTab[j] = loHead;
                    }
                    // 原索引+oldCap放到bucket里
                    if (hiTail != null) {
                        hiTail.next = null;
                        newTab[j + oldCap] = hiHead;
                    }
                }
            }
        }
    }
    return newTab;
}

扩容流程（含与 JDK 1.7 的对比）

常考点：1.7 链表死循环问题

原因结论：1.7 的转移数据方式是头插法（头插法方便，并且由于局部性原理，考虑到最近添加的最可能被访问），在数据扩容后容易出现链表逆序的情况，在多线程并发下，容易出现 环形链表，从而在获取数据、遍历链表时形成死循环（Infinite Loop），即死锁的状态。

详细参看此文：疫苗：JAVA HASHMAP的死循环

先看源码
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FKyVak9R-1584256511043)(E:\学习资源\Notes\HashMap\1584109997623.png)]$
问题所在 transfer：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Hxt0msdu-1584256511043)(E:\学习资源\Notes\HashMap\1584109962840.png)]$
单线程正常 rehash 如下：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YXmTsgEh-1584256511045)(E:\学习资源\Notes\HashMap\HashMap01.jpg)]$

多线程并发下的 rehash，可能出现死循环！

**1）假设我们有两个线程。**我用红色和浅蓝色标注了一下。

我们再回头看一下我们的 transfer代码中的这个细节：
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bxjbLeNZ-1584256511046)(E:\学习资源\Notes\HashMap\1584110173630.png)]$

而我们的线程二执行完成了。于是我们有下面的这个样子。

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PNtfgBdh-1584256511047)(E:\学习资源\Notes\HashMap\HashMap02.jpg)]$

注意，因为Thread1的 e 指向了key(3)，而next指向了key(7)，其在线程二rehash后，指向了线程二重组后的链表。我们可以看到链表的顺序被反转后。

2）线程一被调度回来执行

先是执行 newTalbe[i] = e;
然后是e = next，导致了e指向了key(7)，
而下一次循环的next = e.next导致了next指向了key(3)

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-l4wPsAyg-1584256511048)(E:\学习资源\Notes\HashMap\HashMap03.jpg)]$

3）一切安好

线程一接着工作。把key(7)摘下来，放到newTable[i]的第一个，然后把e和next往下移。
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-f4pu9Omi-1584256511049)(E:\学习资源\Notes\HashMap\HashMap04.jpg)]$

4）环形链接出现

e.next = newTable[i] 导致 key(3).next 指向了 key(7)

注意：此时的key(7).next 已经指向了key(3)，环形链表就这样出现了。
$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-41PmjdUp-1584256511050)(E:\学习资源\Notes\HashMap\HashMap05.jpg)]$

于是，当我们的线程一调用到，HashTable.get(11)时，悲剧就出现了——Infinite Loop。 CPU100%，查看堆栈，你会发现程序都Hang在了HashMap.get()这个方法上

注：由于 JDK 1.8 转移数据操作 = 按旧链表的正序遍历链表、在新链表的尾部依次插入，所以不会出现链表 逆序、倒置的情况，故不容易出现环形链表的情况。

但 JDK 1.8 还是线程不安全，因为无加同步锁保护

1.8 扩容时，数据存储位置重新计算的方式

计算结论 & 原因解析

结论示意图

总结

添加数据的流程

7&8 区别

添加数据时
版本	初始化方式	hash值的计算方式	存放数据的位置判断	插入数据方式
JDK 1.7	单独函数：inflateTable()	1.hashCode() 2.扰动处理 = 9次扰动 = 4次位运算 + 5次异或运算	数组、链表	头插法（先将原位置的数据移到后一位，再插入数据到该位置）
JDK 1.8	直接集成在函数：resize()	1.hashCode() 2.扰动处理 = 2次扰动 = 1次位运算 + 1次异或运算	数组、链表、红黑树	尾插法（直接插入到链表尾部/红黑树）

扩容机制
版本	扩容后存储位置的计算方式	转移数据方式	需插入数据的插入时机&位置重计算时机
JDK 1.7	全部按照原来的方法进行计算（即 hashCode() ->> 扰动处理 ->> （h & length-1））	头插法（先将原位置的数据移到后一位，再插入数据到该位置）	扩容后计算、单独计算（即转移数据时无统一计算）
JDK 1.8	按照扩容后的规律计算（即扩容后的位置 = 原位置 or 原位置 + 旧容量）	尾插法（直接插入到链表尾部/红黑树）	扩容前计算、转移数据时统一计算

至此，关于 HashMap的添加数据源码分析分析完毕。

3、步骤3：从HashMap中获取数据

假如理解了上述put（）函数的原理，那么get（）函数非常好理解，因为二者的过程原理几乎相同
get（）函数的流程如下：

/**
   * 函数原型
   * 作用：根据键key，向HashMap获取对应的值
   */ 
   map.get(key)；


 /**
   * 源码分析
   */ 
   public V get(Object key) {
    Node<K,V> e;
    // 1. 计算需获取数据的hash值
    // 2. 通过getNode（）获取所查询的数据 ->>分析1
    // 3. 获取后，判断数据是否为空
    return (e = getNode(hash(key), key)) == null ? null : e.value;
}

/**
   * 分析1：getNode(hash(key), key))
   */ 
final Node<K,V> getNode(int hash, Object key) {
    Node<K,V>[] tab; Node<K,V> first, e; int n; K k;

    // 1. 计算存放在数组table中的位置
    if ((tab = table) != null && (n = tab.length) > 0 &&
        (first = tab[(n - 1) & hash]) != null) {

        // 4. 通过该函数，依次在数组、红黑树、链表中查找（通过equals（）判断）
        // a. 先在数组中找，若存在，则直接返回
        if (first.hash == hash && // always check first node
            ((k = first.key) == key || (key != null && key.equals(k))))
            return first;

        // b. 若数组中没有，则到红黑树中寻找
        if ((e = first.next) != null) {
            // 在树中get
            if (first instanceof TreeNode)
                return ((TreeNode<K,V>)first).getTreeNode(hash, key);

            // c. 若红黑树中也没有，则通过遍历，到链表中寻找
            do {
                if (e.hash == hash &&
                    ((k = e.key) == key || (key != null && key.equals(k))))
                    return e;
            } while ((e = e.next) != null);
        }
    }
    return null;
}

至此，关于 “向 HashMap 获取数据 “讲解完毕。

4、步骤4：对HashMap的其他操作

HashMap除了核心的put（）、get（）函数，还有以下主要使用的函数方法

void clear(); // 清除哈希表中的所有键值对
int size();  // 返回哈希表中所有 键值对的数量 = 数组中的键值对 + 链表中的键值对
boolean isEmpty(); // 判断HashMap是否为空；size == 0时 表示为 空 

void putAll(Map<? extends K, ? extends V> m);  // 将指定Map中的键值对 复制到 此Map中
V remove(Object key);  // 删除该键值对

boolean containsKey(Object key); // 判断是否存在该键的键值对；是 则返回true
boolean containsValue(Object value);  // 判断是否存在该值的键值对；是 则返回true

这些方法比较简单就不详细叙述。

源码分析HashMap（JDK 7 & 8 整合对比）