最近拜讀了一些Java Map的相關源碼，不得不驚歎於JDK開發者們的鬼斧神工。他山之石可以攻玉，這些巧妙的設計思想非常有借鑑價值，可謂是最佳實踐。然而，大多數有關Java Map原理的科普類文章都是專注於“點”，並沒有連成“線”，甚至形成“網狀結構”。因此，本文基於個人理解，對所閱讀的部分源碼進行了分類與總結，歸納出Map中的幾個核心特性，包括：自動擴容、初始化與懶加載、哈希計算、位運算與併發，並結合源碼進行深入講解，希望看完本文的你也能從中獲取到些許收穫（本文默認採用JDK1.8中的HashMap）。
一 自動擴容
最小可用原則，容量超過一定閾值便自動進行擴容。
擴容是通過resize方法來實現的。擴容發生在putVal方法的最後，即寫入元素之後纔會判斷是否需要擴容操作，當自增後的size大於之前所計算好的閾值threshold，即執行resize操作。
通過位運算<<1進行容量擴充，即擴容1倍，同時新的閾值newThr也擴容爲老閾值的1倍。
擴容時，總共存在三種情況：
- 哈希桶數組中某個位置只有1個元素，即不存在哈希衝突時，則直接將該元素copy至新哈希桶數組的對應位置即可。
- 哈希桶數組中某個位置的節點爲樹節點時，則執行紅黑樹的擴容操作。
- 哈希桶數組中某個位置的節點爲普通節點時，則執行鏈表擴容操作，在JDK1.8中，爲了避免之前版本中併發擴容所導致的死鏈問題，引入了高低位鏈表輔助進行擴容操作。
在日常的開發過程中，會遇到一些bad case，比如：
HashMap hashMap = new HashMap(2);
hashMap.put("1", 1);
hashMap.put("2", 2);
hashMap.put("3", 3);當hashMap設置最後一個元素3的時候，會發現當前的哈希桶數組大小已經達到擴容閾值2*0.75=1.5，緊接着會執行一次擴容操作，因此，此類的代碼每次運行的時候都會進行一次擴容操作，效率低下。在日常開發過程中，一定要充分評估好HashMap的大小，儘可能保證擴容的閾值大於存儲元素的數量，減少其擴容次數。
二 初始化與懶加載
初始化的時候只會設置默認的負載因子，並不會進行其他初始化的操作，在首次使用的時候纔會進行初始化。
當new一個新的HashMap的時候，不會立即對哈希數組進行初始化，而是在首次put元素的時候，通過resize()方法進行初始化。
resize()中會設置默認的初始化容量DEFAULT_INITIAL_CAPACITY爲16，擴容的閾值爲0.75*16 = 12，即哈希桶數組中元素達到12個便進行擴容操作。
最後創建容量爲16的Node數組，並賦值給成員變量哈希桶table，即完成了HashMap的初始化操作。
三 哈希計算
哈希表以哈希命名，足以說明哈希計算在該數據結構中的重要程度。而在實現中，JDK並沒有直接使用Object的native方法返回的hashCode作爲最終的哈希值，而是進行了二次加工。
以下分別爲HashMap與ConcurrentHashMap計算hash值的方法，核心的計算邏輯相同，都是使用key對應的hashCode與其hashCode右移16位的結果進行異或操作。此處，將高16位與低16位進行異或的操作稱之爲擾動函數，目的是將高位的特徵融入到低位之中，降低哈希衝突的概率。
舉個例子來理解下擾動函數的作用：
hashCode(key1) = 0000 0000 0000 1111 0000 0000 0000 0010
hashCode(key2) = 0000 0000 0000 0000 0000 0000 0000 0010若HashMap容量爲4，在不使用擾動函數的情況下，key1與key2的hashCode註定會衝突（後兩位相同，均爲01）。
經過擾動函數處理後，可見key1與key2 hashcode的後兩位不同，上述的哈希衝突也就避免了。
hashCode(key1) ^ (hashCode(key1) >>> 16)
0000 0000 0000 1111 0000 0000 0000 1101
hashCode(key2) ^ (hashCode(key2) >>> 16)
0000 0000 0000 0000 0000 0000 0000 0010這種增益會隨着HashMap容量的減少而增加。《An introduction to optimising a hashing strategy》文章中隨機選取了哈希值不同的352個字符串，當HashMap的容量爲2^9時，使用擾動函數可以減少10%的碰撞，可見擾動函數的必要性。
此外，ConcurrentHashMap中經過擾亂函數處理之後，需要與HASH_BITS做與運算，HASH_BITS爲0x7ffffff，即只有最高位爲0，這樣運算的結果使hashCode永遠爲正數。在ConcurrentHashMap中，預定義了幾個特殊節點的hashCode，如：MOVED、TREEBIN、RESERVED，它們的hashCode均定義爲負值。因此，將普通節點的hashCode限定爲正數，也就是爲了防止與這些特殊節點的hashCode產生衝突。
1 哈希衝突
通過哈希運算，可以將不同的輸入值映射到指定的區間範圍內，隨之而來的是哈希衝突問題。考慮一個極端的case，假設所有的輸入元素經過哈希運算之後，都映射到同一個哈希桶中，那麼查詢的複雜度將不再是O(1)，而是O(n)，相當於線性表的順序遍歷。因此，哈希衝突是影響哈希計算性能的重要因素之一。哈希衝突如何解決呢？主要從兩個方面考慮，一方面是避免衝突，另一方面是在衝突時合理地解決衝突，儘可能提高查詢效率。前者在上面的章節中已經進行介紹，即通過擾動函數來增加hashCode的隨機性，避免衝突。針對後者，HashMap中給出了兩種方案：拉鍊表與紅黑樹。
拉鍊表
在JDK1.8之前，HashMap中是採用拉鍊表的方法來解決衝突，即當計算出的hashCode對應的桶上已經存在元素，但兩者key不同時，會基於桶中已存在的元素拉出一條鏈表，將新元素鏈到已存在元素的前面。當查詢存在衝突的哈希桶時，會順序遍歷衝突鏈上的元素。同一key的判斷邏輯如下圖所示，先判斷hash值是否相同，再比較key的地址或值是否相同。
（1）死鏈
在JDK1.8之前，HashMap在併發場景下擴容時存在一個bug，形成死鏈，導致get該位置元素的時候，會死循環，使CPU利用率高居不下。這也說明了HashMap不適於用在高併發的場景，高併發應該優先考慮JUC中的ConcurrentHashMap。然而，精益求精的JDK開發者們並沒有選擇繞過問題，而是選擇直面問題並解決它。在JDK1.8之中，引入了高低位鏈表（雙端鏈表）。
什麼是高低位鏈表呢？在擴容時，哈希桶數組buckets會擴容一倍，以容量爲8的HashMap爲例，原有容量8擴容至16，將[0, 7]稱爲低位，[8, 15]稱爲高位，低位對應loHead、loTail，高位對應hiHead、hiTail。
擴容時會依次遍歷舊buckets數組的每一個位置上面的元素：
- 若不存在衝突，則重新進行hash取模，並copy到新buckets數組中的對應位置。
- 若存在衝突元素，則採用高低位鏈表進行處理。通過e.hash & oldCap來判斷取模後是落在高位還是低位。舉個例子：假設當前元素hashCode爲0001（忽略高位），其運算結果等於0，說明擴容後結果不變，取模後還是落在低位[0, 7]，即0001 & 1000 = 0000，還是原位置，再用低位鏈表將這類的元素鏈接起來。假設當前元素的hashCode爲1001， 其運算結果不爲0，即1001 & 1000 = 1000 ，擴容後會落在高位，新的位置剛好是舊數組索引（1） + 舊數據長度（8） = 9，再用高位鏈表將這些元素鏈接起來。最後，將高低位鏈表的頭節點分別放在擴容後數組newTab的指定位置上，即完成了擴容操作。這種實現降低了對共享資源newTab的訪問頻次，先組織衝突節點，最後再放入newTab的指定位置。避免了JDK1.8之前每遍歷一個元素就放入newTab中，從而導致併發擴容下的死鏈問題。
紅黑樹
在JDK1.8之中，HashMap引入了紅黑樹來處理哈希衝突問題，而不再是拉鍊表。那麼爲什麼要引入紅黑樹來替代鏈表呢？雖然鏈表的插入性能是O(1)，但查詢性能卻是O(n)，當哈希衝突元素非常多時，這種查詢性能是難以接受的。因此，在JDK1.8中，如果衝突鏈上的元素數量大於8，並且哈希桶數組的長度大於64時，會使用紅黑樹代替鏈表來解決哈希衝突，此時的節點會被封裝成TreeNode而不再是Node（TreeNode其實繼承了Node，以利用多態特性），使查詢具備O(logn)的性能。
這裏簡單地回顧一下紅黑樹，它是一種平衡的二叉樹搜索樹，類似地還有AVL樹。兩者核心的區別是AVL樹追求“絕對平衡”，在插入、刪除節點時，成本要高於紅黑樹，但也因此擁有了更好的查詢性能，適用於讀多寫少的場景。然而，對於HashMap而言，讀寫操作其實難分伯仲，因此選擇紅黑樹也算是在讀寫性能上的一種折中。
四 位運算
1 確定哈希桶數組大小
找到大於等於給定值的最小2的整數次冪。
tableSizeFor根據輸入容量大小cap來計算最終哈希桶數組的容量大小，找到大於等於給定值cap的最小2的整數次冪。乍眼一看，這一行一行的位運算讓人云裏霧裏，莫不如採用類似找規律的方式來探索其中的奧祕。
當cap爲3時，計算過程如下：
cap = 3
n = 2
n |= n >>> 1 010 | 001 = 011 n = 3
n |= n >>> 2 011 | 000 = 011 n = 3
n |= n >>> 4 011 | 000 = 011 n = 3
….
n = n + 1 = 4當cap爲5時，計算過程如下：
cap = 5
n = 4
n |= n >>> 1 0100 | 0010 = 0110 n = 6
n |= n >>> 2 0110 | 0001 = 0111 n = 7
….
n = n + 1 = 8因此，計算的意義在於找到大於等於cap的最小2的整數次冪。整個過程是找到cap對應二進制中最高位的1，然後每次以2倍的步長（依次移位1、2、4、8、16）複製最高位1到後面的所有低位，把最高位1後面的所有位全部置爲1，最後進行+1，即完成了進位。
類似二進制位的變化過程如下：
0100 1010
0111 1111
1000 0000找到輸入cap的最小2的整數次冪作爲最終容量可以理解爲最小可用原則，儘可能地少佔用空間，但是爲什麼必須要2的整數次冪呢？答案是，爲了提高計算與存儲效率，使每個元素對應hash值能夠準確落入哈希桶數組給定的範圍區間內。確定數組下標採用的算法是 hash & (n - 1)，n即爲哈希桶數組的大小。由於其總是2的整數次冪，這意味着n-1的二進制形式永遠都是0000111111的形式，即從最低位開始，連續出現多個1，該二進制與任何值進行&運算都會使該值映射到指定區間[0, n-1]。比如：當n=8時，n-1對應的二進制爲0111，任何與0111進行&運算都會落入[0,7]的範圍內，即落入給定的8個哈希桶中，存儲空間利用率100%。舉個反例，當n=7，n-1對應的二進制爲0110，任何與0110進行&運算會落入到第0、6、4、2個哈希桶，而不是[0,6]的區間範圍內，少了1、3、5三個哈希桶，這導致存儲空間利用率只有不到60%，同時也增加了哈希碰撞的機率。
2 ASHIFT偏移量計算
獲取給定值的最高有效位數（移位除了能夠進行乘除運算，還能用於保留高、低位操作，右移保留高位，左移保留低位）。
ConcurrentHashMap中的ABASE+ASHIFT是用來計算哈希數組中某個元素在實際內存中的初始位置，ASHIFT採取的計算方式是31與scale前導0的數量做差，也就是scale的實際位數-1。scale就是哈希桶數組Node[]中每個元素的大小，通過((long)i << ASHIFT) + ABASE)進行計算，便可得到數組中第i個元素的起始內存地址。
我們繼續看下前導0的數量是怎麼計算出來的，numberOfLeadingZeros是Integer的靜態方法，還是沿用找規律的方式一探究竟。
假設 i = 0000 0000 0000 0100 0000 0000 0000 0000，n = 1
i >>> 16 0000 0000 0000 0000 0000 0000 0000 0100 不爲0
i >>> 24 0000 0000 0000 0000 0000 0000 0000 0000 等於0右移了24位等於0，說明24位到31位之間肯定全爲0，即n = 1 + 8 = 9，由於高8位全爲0，並且已經將信息記錄至n中，因此可以捨棄高8位，即 i <<= 8。此時，
i = 0000 0100 0000 0000 0000 0000 0000 0000類似地，i >>> 28 也等於0，說明28位到31位全爲0，n = 9 + 4 = 13，捨棄高4位。此時，
i = 0100 0000 0000 0000 0000 0000 0000 0000繼續運算，
i >>> 30 0000 0000 0000 0000 0000 0000 0000 0001 不爲0
i >>> 31 0000 0000 0000 0000 0000 0000 0000 0000 等於0最終可得出n = 13，即有13個前導0。n -= i >>> 31是檢查最高位31位是否是1，因爲n初始化爲1，如果最高位是1，則不存在前置0，即n = n - 1 = 0。
總結一下，以上的操作其實是基於二分法的思想來定位二進制中1的最高位，先看高16位，若爲0，說明1存在於低16位；反之存在高16位。由此將搜索範圍由32位（確切的說是31位）減少至16位，進而再一分爲二，校驗高8位與低8位，以此類推。
計算過程中校驗的位數依次爲16、8、4、2、1，加起來剛好爲31。爲什麼是31不是32呢？因爲前置0的數量爲32的情況下i只能爲0，在前面的if條件中已經進行過濾。這樣一來，非0值的情況下，前置0只能出現在高31位，因此只需要校驗高31位即可。最終，用總位數減去計算出來的前導0的數量，即可得出二進制的最高有效位數。代碼中使用的是31 -
Integer.numberOfLeadingZeros(scale)，而不是總位數32，這是爲了能夠得到哈希桶數組中第i個元素的起始內存地址，方便進行CAS等操作。
五 併發
1 悲觀鎖
全表鎖
HashTable中採用了全表鎖，即所有操作均上鎖，串行執行，如下圖中的put方法所示，採用synchronized關鍵字修飾。這樣雖然保證了線程安全，但是在多核處理器時代也極大地影響了計算性能，這也致使HashTable逐漸淡出開發者們的視野。
分段鎖
針對HashTable中鎖粒度過粗的問題，在JDK1.8之前，ConcurrentHashMap引入了分段鎖機制。整體的存儲結構如下圖所示，在原有結構的基礎上拆分出多個segment，每個segment下再掛載原來的entry（上文中經常提到的哈希桶數組），每次操作只需要鎖定元素所在的segment，不需要鎖定整個表。因此，鎖定的範圍更小，併發度也會得到提升。
2 樂觀鎖
Synchronized+CAS
雖然引入了分段鎖的機制，即可以保證線程安全，又可以解決鎖粒度過粗導致的性能低下問題，但是對於追求極致性能的工程師來說，這還不是性能的天花板。因此，在JDK1.8中，ConcurrentHashMap摒棄了分段鎖，使用了樂觀鎖的實現方式。放棄分段鎖的原因主要有以下幾點：
- 使用segment之後，會增加ConcurrentHashMap的存儲空間。
- 當單個segment過大時，併發性能會急劇下降。
ConcurrentHashMap在JDK1.8中的實現廢棄了之前的segment結構，沿用了與HashMap中的類似的Node數組結構。
ConcurrentHashMap中的樂觀鎖是採用synchronized+CAS進行實現的。這裏主要看下put的相關代碼。
當put的元素在哈希桶數組中不存在時，則直接CAS進行寫操作。
這裏涉及到了兩個重要的操作，tabAt與casTabAt。可以看出，這裏面都使用了Unsafe類的方法。Unsafe這個類在日常的開發過程中比較罕見。我們通常對Java語言的認知是：Java語言是安全的，所有操作都基於JVM，在安全可控的範圍內進行。然而，Unsafe這個類會打破這個邊界，使Java擁有C的能力，可以操作任意內存地址，是一把雙刃劍。這裏使用到了前文中所提到的ASHIFT，來計算出指定元素的起始內存地址，再通過getObjectVolatile與compareAndSwapObject分別進行取值與CAS操作。
在獲取哈希桶數組中指定位置的元素時爲什麼不能直接get而是要使用getObjectVolatile呢？因爲在JVM的內存模型中，每個線程有自己的工作內存，也就是棧中的局部變量表，它是主存的一份copy。因此，線程1對某個共享資源進行了更新操作，並寫入到主存，而線程2的工作內存之中可能還是舊值，髒數據便產生了。Java中的volatile是用來解決上述問題，保證可見性，任意線程對volatile關鍵字修飾的變量進行更新時，會使其它線程中該變量的副本失效，需要從主存中獲取最新值。雖然ConcurrentHashMap中的Node數組是由volatile修飾的，可以保證可見性，但是Node數組中元素是不具備可見性的。因此，在獲取數據時通過Unsafe的方法直接到主存中拿，保證獲取的數據是最新的。
繼續往下看put方法的邏輯，當put的元素在哈希桶數組中存在，並且不處於擴容狀態時，則使用synchronized鎖定哈希桶數組中第i個位置中的第一個元素f（頭節點2），接着進行double check，類似於DCL單例模式的思想。校驗通過後，會遍歷當前衝突鏈上的元素，並選擇合適的位置進行put操作。此外，ConcurrentHashMap也沿用了HashMap中解決哈希衝突的方案，鏈表+紅黑樹。這裏只有在發生哈希衝突的情況下才使用synchronized鎖定頭節點，其實是比分段鎖更細粒度的鎖實現，只在特定場景下鎖定其中一個哈希桶，降低鎖的影響範圍。
Java Map針對併發場景解決方案的演進方向可以歸結爲，從悲觀鎖到樂觀鎖，從粗粒度鎖到細粒度鎖，這也可以作爲我們在日常併發編程中的指導方針。
3 併發求和
CounterCell是JDK1.8中引入用來併發求和的利器，而在這之前採用的是【嘗試無鎖求和】+【衝突時加鎖重試】的策略。看下CounterCell的註釋，它是改編自LongAdder和Striped64。我們先看下求和操作，其實就是取baseCount作爲初始值，然後遍歷CounterCell數組中的每一個cell，將各個cell的值進行累加。這裏額外說明下@sun.misc.Contender註解的作用，它是Java8中引入用來解決緩存行僞共享問題的。什麼是僞共享呢？簡單說下，考慮到CPU與主存之間速度的巨大差異，在CPU中引入了L1、L2、L3多級緩存，緩存中的存儲單位是緩存行，緩存行大小爲2的整數次冪字節，32-256個字節不等，最常見的是64字節。因此，這將導致不足64字節的變量會共享同一個緩存行，其中一個變量失效會影響到同一個緩存行中的其他變量，致使性能下降，這就是僞共享問題。考慮到不同CPU的緩存行單位的差異性，Java8中便通過該註解將這種差異性屏蔽，根據實際緩存行大小來進行填充，使被修飾的變量能夠獨佔一個緩存行。
再來看下CounterCell是如何實現計數的，每當map中的容量有變化時會調用addCount進行計數，核心邏輯如下：
- 當counterCells不爲空，或counterCells爲空且對baseCount進行CAS操作失敗時進入到後續計數處理邏輯，否則對baseCount進行CAS操作成功，直接返回。
- 後續計數處理邏輯中會調用核心計數方法fullAddCount，但需要滿足以下4個條件中的任意一個：1、counterCells爲空；2、counterCells的size爲0；3、counterCells對應位置上的counterCell爲空；4、CAS更新counterCells對應位置上的counterCell失敗。這些條件背後的語義是，當前情況下，計數已經或曾經出現過併發衝突，需要優先借助於CounterCell來解決。若counterCells與對應位置上的元素已經初始化（條件4），則先嚐試CAS進行更新，若失敗則調用fullAddCount繼續處理。若counterCells與對應位置上的元素未初始化完成（條件1、2、3），也要調用AddCount進行後續處理。
- 這裏確定cell下標時採用了ThreadLocalRandom.getProbe()作爲哈希值，這個方法返回的是當前Thread中threadLocalRandomProbe字段的值。而且當哈希值衝突時，還可以通過advanceProbe方法來更換哈希值。這與HashMap中的哈希值計算邏輯不同，因爲HashMap中要保證同一個key進行多次哈希計算的哈希值相同並且能定位到對應的value，即便兩個key的哈希值衝突也不能隨便更換哈希值，只能採用鏈表或紅黑樹處理衝突。然而在計數場景，我們並不需要維護key-value的關係，只需要在counterCells中找到一個合適的位置放入計數cell，位置的差異對最終的求和結果是沒有影響的，因此當衝突時可以基於隨機策略更換一個哈希值來避免衝突。
接着，我們來看下核心計算邏輯fullAddCount，代碼還是比較多的，核心流程是通過一個死循環來實現的，循環體中包含了3個處理分支，爲了方便講解我將它們依次定義A、B、C。
- A：表示counterCells已經初始化完成，因此可以嘗試更新或創建對應位置的CounterCell。
- B：表示counterCells未初始化完成，且無衝突（拿到cellsBusy鎖），則加鎖初始化counterCells，初始容量爲2。
- C：表示counterCells未初始化完成，且有衝突（未能拿到cellsBusy鎖），則CAS更新baseCount，baseCount在求和時也會被算入到最終結果中，這也相當於是一種兜底策略，既然counterCells正在被其他線程鎖定，那當前線程也沒必要再等待了，直接嘗試使用baseCount進行累加。
其中，A分支中涉及到的操作又可以拆分爲以下幾點：
- a1：對應位置的CounterCell未創建，採用鎖+Double Check的策略嘗試創建CounterCell，失敗的話則continue進行重試。這裏面採用的鎖是cellsBusy，它保證創建CounterCell並放入counterCells時一定是串行執行，避免重複創建，其實就是使用了DCL單例模式的策略。在CounterCells的創建、擴容中都需要使用該鎖。
- a2：衝突檢測，變量wasUncontended是調用方addCount中傳入的，表示前置的CAS更新cell失敗，有衝突，需要更換哈希值【a7】後繼續重試。
- a3：對應位置的CounterCell不爲空，直接CAS進行更新。
- a4：衝突檢測，當counterCells的引用值不等於當前線程對應的引用值時，說明有其他線程更改了counterCells的引用，出現衝突，則將collide設爲false，下次迭代時可進行擴容。容量限制，counterCells容量的最大值爲大於等於NCPU（實際機器CPU核心的數量）的最小2的整數次冪，當達到容量限制時後面的擴容分支便永遠不會執行。這裏限制的意義在於，真實併發度是由CPU核心來決定，當counterCells容量與CPU核心數量相等時，理想情況下就算所有CPU核心在同時運行不同的計數線程時，都不應該出現衝突，每個線程選擇各自的cell進行處理即可。如果出現衝突，一定是哈希值的問題，因此採取的措施是重新計算哈希值a7，而不是通過擴容來解決。時間換空間，避免不必要的存儲空間浪費，非常讚的想法~
- a5：更新擴容標誌位，下次迭代時將會進行擴容。
- a6：進行加鎖擴容，每次擴容1倍。
- a7：更換哈希值。
private final void fullAddCount(long x, boolean wasUncontended) {
int h;
// 初始化probe
if ((h = ThreadLocalRandom.getProbe()) == 0) {
ThreadLocalRandom.localInit(); // force initialization
h = ThreadLocalRandom.getProbe();
wasUncontended = true;
}
// 用來控制擴容操作
boolean collide = false; // True if last slot nonempty
for (;;) {
CounterCell[] as; CounterCell a; int n; long v;
// 【A】counterCells已經初始化完畢
if ((as = counterCells) != null && (n = as.length) > 0) {
// 【a1】對應位置的CounterCell未創建
if ((a = as[(n - 1) & h]) == null) {
// cellsBusy其實是一個鎖，cellsBusy=0時表示無衝突
if (cellsBusy == 0) { // Try to attach new Cell
// 創建新的CounterCell
CounterCell r = new CounterCell(x); // Optimistic create
// Double Check，加鎖（通過CAS將cellsBusy設置1）
if (cellsBusy == 0 &&
U.compareAndSwapInt(this, CELLSBUSY, 0, 1)) {
boolean created = false;
try { // Recheck under lock
CounterCell[] rs; int m, j;
// Double Check
if ((rs = counterCells) != null &&
(m = rs.length) > 0 &&
rs[j = (m - 1) & h] == null) {
// 將新創建的CounterCell放入counterCells中
rs[j] = r;
created = true;
}
} finally {
// 解鎖，這裏爲什麼不用CAS？因爲當前流程中需要在獲取鎖的前提下進行，即串行執行，因此不存在併發更新問題，只需要正常更新即可
cellsBusy = 0;
}
if (created)
break;
// 創建失敗則重試
continue; // Slot is now non-empty
}
}
// cellsBusy不爲0，說明被其他線程爭搶到了鎖，還不能考慮擴容
collide = false;
}
//【a2】衝突檢測
else if (!wasUncontended) // CAS already known to fail
// 調用方addCount中CAS更新cell失敗，有衝突，則繼續嘗試CAS
wasUncontended = true; // Continue after rehash
//【a3】對應位置的CounterCell不爲空，直接CAS進行更新
else if (U.compareAndSwapLong(a, CELLVALUE, v = a.value, v + x))
break;
//【a4】容量限制
else if (counterCells != as || n >= NCPU)
// 說明counterCells容量的最大值爲大於NCPU（實際機器CPU核心的數量）最小2的整數次冪。
// 這裏限制的意義在於，併發度是由CPU核心來決定，當counterCells容量與CPU核心數量相等時，理論上講就算所有CPU核心都在同時運行不同的計數線程時，都不應該出現衝突，每個線程選擇各自的cell進行處理即可。如果出現衝突，一定是哈希值的問題，因此採取的措施是重新計算哈希值（h = ThreadLocalRandom.advanceProbe(h)），而不是通過擴容來解決
// 當n大於NCPU時後面的分支就不會走到了
collide = false; // At max size or stale
// 【a5】更新擴容標誌位
else if (!collide)
// 說明映射到cell位置不爲空，並且嘗試進行CAS更新時失敗了，則說明有競爭，將collide設置爲true，下次迭代時執行後面的擴容操作，降低競爭度
// 有競爭時，執行rehash+擴容，當容量大於CPU核心時則停止擴容只進行rehash
collide = true;
// 【a6】加鎖擴容
else if (cellsBusy == 0 &&
U.compareAndSwapInt(this, CELLSBUSY, 0, 1)) {
// 加鎖擴容
try {
if (counterCells == as) {// Expand table unless stale
// 擴容1倍
CounterCell[] rs = new CounterCell[n << 1];
for (int i = 0; i < n; ++i)
rs[i] = as[i];
counterCells = rs;
}
} finally {
cellsBusy = 0;
}
collide = false;
continue; // Retry with expanded table
}
//【a7】更換哈希值
h = ThreadLocalRandom.advanceProbe(h);
}
// 【B】counterCells未初始化完成，且無衝突，則加鎖初始化counterCells
else if (cellsBusy == 0 && counterCells == as &&
U.compareAndSwapInt(this, CELLSBUSY, 0, 1)) {
boolean init = false;
try { // Initialize table
if (counterCells == as) {
CounterCell[] rs = new CounterCell[2];
rs[h & 1] = new CounterCell(x);
counterCells = rs;
init = true;
}
} finally {
cellsBusy = 0;
}
if (init)
break;
}
// 【C】counterCells未初始化完成，且有衝突，則CAS更新baseCount
else if (U.compareAndSwapLong(this, BASECOUNT, v = baseCount, v + x))
break; // Fall back on using base
}CounterCell的設計很巧妙，它的背後其實就是JDK1.8中的LongAdder。核心思想是：在併發較低的場景下直接採用baseCount累加，否則結合counterCells，將不同的線程散列到不同的cell中進行計算，儘可能地確保訪問資源的隔離，減少衝突。LongAdder相比較於AtomicLong中無腦CAS的策略，在高併發的場景下，能夠減少CAS重試的次數，提高計算效率。
六 結語
以上可能只是Java Map源碼中的冰山一角，但是基本包括了大部分的核心特性，涵蓋了我們日常開發中的大部分場景。讀源碼跟讀書一樣，彷彿跨越了歷史長河與作者進行近距離對話，揣摩他的心思，學習他的思想並加以傳承。信息加工轉化爲知識並運用的過程是痛苦的，但是痛並快樂着。
本文爲阿里雲原創內容，未經允許不得轉載。