深入浅出ConcurrentHashMap（1.8）

前言

HashMap是我们平时开发过程中用的比较多的集合，但它是非线程安全的，在涉及到多线程并发的情况，进行put操作有可能会引起死循环，导致CPU利用率接近100%。

  1. final HashMap<String, String> map = new HashMap<String, String>(2);
  2. for (int i = 0; i < 10000; i++) {
  3.     new Thread(new Runnable() {
  4.         @Override
  5.         public void run() {
  6.             map.put(UUID.randomUUID().toString(), "");
  7.         }
  8.     }).start();
  9. }

解决方案有Hashtable和Collections.synchronizedMap(hashMap)，不过这两个方案基本上是对读写进行加锁操作，一个线程在读写元素，其余线程必须等待，性能可想而知。

所以，Doug Lea给我们带来了并发安全的ConcurrentHashMap，它的实现是依赖于 Java 内存模型，所以我们在了解 ConcurrentHashMap 的之前必须了解一些底层的知识：

  1. java内存模型
  2. java中的Unsafe
  3. java中的CAS
  4. 深入浅出java同步器
  5. 深入浅出ReentrantLock

本文源码是JDK8的版本，与之前的版本有较大差异。

JDK1.6分析

ConcurrentHashMap采用 分段锁的机制，实现并发的更新操作，底层采用数组+链表+红黑树的存储结构。
其包含两个核心静态内部类 Segment和HashEntry。

  1. Segment继承ReentrantLock用来充当锁的角色，每个 Segment 对象守护每个散列映射表的若干个桶。
  2. HashEntry 用来封装映射表的键 / 值对；
  3. 每个桶是由若干个 HashEntry 对象链接起来的链表。

一个 ConcurrentHashMap 实例中包含由若干个 Segment 对象组成的数组，下面我们通过一个图来演示一下 ConcurrentHashMap 的结构：

ConcurrentHashMap存储结构.png

JDK1.8分析

1.8的实现已经抛弃了Segment分段锁机制，利用CAS+Synchronized来保证并发更新的安全，底层依然采用数组+链表+红黑树的存储结构。

Paste_Image.png

重要概念

在开始之前，有些重要的概念需要介绍一下：

  1. table：默认为null，初始化发生在第一次插入操作，默认大小为16的数组，用来存储Node节点数据，扩容时大小总是2的幂次方。
  2. nextTable：默认为null，扩容时新生成的数组，其大小为原数组的两倍。
  3. sizeCtl ：默认为0，用来控制table的初始化和扩容操作，具体应用在后续会体现出来。
    • -1 代表table正在初始化
    • -N 表示有N-1个线程正在进行扩容操作
    • 其余情况：
      1、如果table未初始化，表示table需要初始化的大小。
      2、如果table初始化完成，表示table的容量，默认是table大小的0.75倍，居然用这个公式算0.75（n - (n >>> 2)）。
  4. Node：保存key，value及key的hash值的数据结构。 
    1. class Node<K,V> implements Map.Entry<K,V> {
    2.   final int hash;
    3.   final K key;
    4.   volatile V val;
    5.   volatile Node<K,V> next;
    6.   ... 省略部分代码
    7. }

    其中value和next都用volatile修饰，保证并发的可见性。

  5. ForwardingNode：一个特殊的Node节点，hash值为-1，其中存储nextTable的引用。 
    1. final class ForwardingNode<K,V> extends Node<K,V> {
    2.   final Node<K,V>[] nextTable;
    3.   ForwardingNode(Node<K,V>[] tab) {
    4.       super(MOVED, null, null, null);
    5.       this.nextTable = tab;
    6.   }
    7. }

    只有table发生扩容的时候，ForwardingNode才会发挥作用，作为一个占位符放在table中表示当前节点为null或则已经被移动。

实例初始化

实例化ConcurrentHashMap时带参数时，会根据参数调整table的大小，假设参数为100，最终会调整成256，确保table的大小总是2的幂次方，算法如下：

  1. ConcurrentHashMap<String, String> hashMap = new ConcurrentHashMap<>(100);
  2. private static final int tableSizeFor(int c) {
  3.     int n = c - 1;
  4.     n |= n >>> 1;
  5.     n |= n >>> 2;
  6.     n |= n >>> 4;
  7.     n |= n >>> 8;
  8.     n |= n >>> 16;
  9.     return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
  10. }

注意，ConcurrentHashMap在构造函数中只会初始化sizeCtl值，并不会直接初始化table，而是延缓到第一次put操作。

table初始化

前面已经提到过，table初始化操作会延缓到第一次put行为。但是put是可以并发执行的，Doug Lea是如何实现table只初始化一次的？让我们来看看源码的实现。

  1. private final Node<K,V>[] initTable() {
  2.     Node<K,V>[] tab; int sc;
  3.     while ((tab = table) == null || tab.length == 0) {
  4. //如果一个线程发现sizeCtl<0，意味着另外的线程执行CAS操作成功，当前线程只需要让出cpu时间片
  5.         if ((sc = sizeCtl) < 0)
  6.             Thread.yield(); // lost initialization race; just spin
  7.         else if (U.compareAndSwapInt(this, SIZECTL, sc, -1)) {
  8.             try {
  9.                 if ((tab = table) == null || tab.length == 0) {
  10.                     int n = (sc > 0) ? sc : DEFAULT_CAPACITY;
  11.                     @SuppressWarnings("unchecked")
  12.                     Node<K,V>[] nt = (Node<K,V>[])new Node<?,?>[n];
  13.                     table = tab = nt;
  14.                     sc = n - (n >>> 2);
  15.                 }
  16.             } finally {
  17.                 sizeCtl = sc;
  18.             }
  19.             break;
  20.         }
  21.     }
  22.     return tab;
  23. }

sizeCtl默认为0，如果ConcurrentHashMap实例化时有传参数，sizeCtl会是一个2的幂次方的值。所以执行第一次put操作的线程会执行Unsafe.compareAndSwapInt方法修改sizeCtl为-1，有且只有一个线程能够修改成功，其它线程通过Thread.yield()让出CPU时间片等待table初始化完成。

put操作

假设table已经初始化完成，put操作采用CAS+synchronized实现并发插入或更新操作，具体实现如下。

  1. final V putVal(K key, V value, boolean onlyIfAbsent) {
  2.     if (key == null || value == null) throw new NullPointerException();
  3.     int hash = spread(key.hashCode());
  4.     int binCount = 0;
  5.     for (Node<K,V>[] tab = table;;) {
  6.         Node<K,V> f; int n, i, fh;
  7.         if (tab == null || (n = tab.length) == 0)
  8.             tab = initTable();
  9.         else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {
  10.             if (casTabAt(tab, i, null, new Node<K,V>(hash, key, value, null)))
  11.                 break;                   // no lock when adding to empty bin
  12.         }
  13.         else if ((fh = f.hash) == MOVED)
  14.             tab = helpTransfer(tab, f);
  15.         ...省略部分代码
  16.     }
  17.     addCount(1L, binCount);
  18.     return null;
  19. }
  1. hash算法

    1. static final int spread(int h) {return (h ^ (h >>> 16)) & HASH_BITS;}
  2. table中定位索引位置，n是table的大小 
    1. int index = (n - 1) & hash
  3. 获取table中对应索引的元素f。
    Doug Lea采用Unsafe.getObjectVolatile来获取，也许有人质疑，直接table[index]不可以么，为什么要这么复杂？
    在java内存模型中，我们已经知道每个线程都有一个工作内存，里面存储着table的副本，虽然table是volatile修饰的，但不能保证线程每次都拿到table中的最新元素，Unsafe.getObjectVolatile可以直接获取指定内存的数据，保证了每次拿到数据都是最新的。
  4. 如果f为null，说明table中这个位置第一次插入元素，利用Unsafe.compareAndSwapObject方法插入Node节点。
    • 如果CAS成功，说明Node节点已经插入，随后addCount(1L, binCount)方法会检查当前容量是否需要进行扩容。
    • 如果CAS失败，说明有其它线程提前插入了节点，自旋重新尝试在这个位置插入节点。
  5. 如果f的hash值为-1，说明当前f是ForwardingNode节点，意味有其它线程正在扩容，则一起进行扩容操作。
  6. 其余情况把新的Node节点按链表或红黑树的方式插入到合适的位置，这个过程采用同步内置锁实现并发，代码如下: 
    1. synchronized (f) {
    2.  if (tabAt(tab, i) == f) {
    3.      if (fh >= 0) {
    4.          binCount = 1;
    5.          for (Node<K,V> e = f;; ++binCount) {
    6.              K ek;
    7.              if (e.hash == hash &&
    8.                  ((ek = e.key) == key ||
    9.                   (ek != null && key.equals(ek)))) {
    10.                  oldVal = e.val;
    11.                  if (!onlyIfAbsent)
    12.                      e.val = value;
    13.                  break;
    14.              }
    15.              Node<K,V> pred = e;
    16.              if ((e = e.next) == null) {
    17.                  pred.next = new Node<K,V>(hash, key,
    18.                                            value, null);
    19.                  break;
    20.              }
    21.          }
    22.      }
    23.      else if (f instanceof TreeBin) {
    24.          Node<K,V> p;
    25.          binCount = 2;
    26.          if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key,
    27.                                         value)) != null) {
    28.              oldVal = p.val;
    29.              if (!onlyIfAbsent)
    30.                  p.val = value;
    31.          }
    32.      }
    33.  }
    34. }

    在节点f上进行同步，节点插入之前，再次利用tabAt(tab, i) == f判断，防止被其它线程修改。

    1. 如果f.hash >= 0，说明f是链表结构的头结点，遍历链表，如果找到对应的node节点，则修改value，否则在链表尾部加入节点。
    2. 如果f是TreeBin类型节点，说明f是红黑树根节点，则在树结构上遍历元素，更新或增加节点。
    3. 如果链表中节点数binCount >= TREEIFY_THRESHOLD(默认是8)，则把链表转化为红黑树结构。

table扩容

当table容量不足的时候，即table的元素数量达到容量阈值sizeCtl，需要对table进行扩容。
整个扩容分为两部分：

  1. 构建一个nextTable，大小为table的两倍。
  2. 把table的数据复制到nextTable中。

这两个过程在单线程下实现很简单，但是ConcurrentHashMap是支持并发插入的，扩容操作自然也会有并发的出现，这种情况下，第二步可以支持节点的并发复制，这样性能自然提升不少，但实现的复杂度也上升了一个台阶。

先看第一步，构建nextTable，毫无疑问，这个过程只能只有单个线程进行nextTable的初始化，具体实现如下：

  1. private final void addCount(long x, int check) {
  2.     ... 省略部分代码
  3.     if (check >= 0) {
  4.         Node<K,V>[] tab, nt; int n, sc;
  5.         while (s >= (long)(sc = sizeCtl) && (tab = table) != null &&
  6.                (n = tab.length) < MAXIMUM_CAPACITY) {
  7.             int rs = resizeStamp(n);
  8.             if (sc < 0) {
  9.                 if ((sc >>> RESIZE_STAMP_SHIFT) != rs || sc == rs + 1 ||
  10.                     sc == rs + MAX_RESIZERS || (nt = nextTable) == null ||
  11.                     transferIndex <= 0)
  12.                     break;
  13.                 if (U.compareAndSwapInt(this, SIZECTL, sc, sc + 1))
  14.                     transfer(tab, nt);
  15.             }
  16.             else if (U.compareAndSwapInt(this, SIZECTL, sc,
  17.                                          (rs << RESIZE_STAMP_SHIFT) + 2))
  18.                 transfer(tab, null);
  19.             s = sumCount();
  20.         }
  21.     }
  22. }

通过Unsafe.compareAndSwapInt修改sizeCtl值，保证只有一个线程能够初始化nextTable，扩容后的数组长度为原来的两倍，但是容量是原来的1.5。

节点从table移动到nextTable，大体思想是遍历、复制的过程。

  1. 首先根据运算得到需要遍历的次数i，然后利用tabAt方法获得i位置的元素f，初始化一个forwardNode实例fwd。
  2. 如果f == null，则在table中的i位置放入fwd，这个过程是采用Unsafe.compareAndSwapObjectf方法实现的，很巧妙的实现了节点的并发移动。
  3. 如果f是链表的头节点，就构造一个反序链表，把他们分别放在nextTable的i和i+n的位置上，移动完成，采用Unsafe.putObjectVolatile方法给table原位置赋值fwd。
  4. 如果f是TreeBin节点，也做一个反序处理，并判断是否需要untreeify，把处理的结果分别放在nextTable的i和i+n的位置上，移动完成，同样采用Unsafe.putObjectVolatile方法给table原位置赋值fwd。

遍历过所有的节点以后就完成了复制工作，把table指向nextTable，并更新sizeCtl为新数组大小的0.75倍 ，扩容完成。

红黑树构造

注意：如果链表结构中元素超过TREEIFY_THRESHOLD阈值，默认为8个，则把链表转化为红黑树，提高遍历查询效率。

  1. if (binCount != 0) {
  2.     if (binCount >= TREEIFY_THRESHOLD)
  3.         treeifyBin(tab, i);
  4.     if (oldVal != null)
  5.         return oldVal;
  6.     break;
  7. }

接下来我们看看如何构造树结构，代码如下：

  1. private final void treeifyBin(Node<K,V>[] tab, int index) {
  2.     Node<K,V> b; int n, sc;
  3.     if (tab != null) {
  4.         if ((n = tab.length) < MIN_TREEIFY_CAPACITY)
  5.             tryPresize(n << 1);
  6.         else if ((b = tabAt(tab, index)) != null && b.hash >= 0) {
  7.             synchronized (b) {
  8.                 if (tabAt(tab, index) == b) {
  9.                     TreeNode<K,V> hd = null, tl = null;
  10.                     for (Node<K,V> e = b; e != null; e = e.next) {
  11.                         TreeNode<K,V> p =
  12.                             new TreeNode<K,V>(e.hash, e.key, e.val,
  13.                                               null, null);
  14.                         if ((p.prev = tl) == null)
  15.                             hd = p;
  16.                         else
  17.                             tl.next = p;
  18.                         tl = p;
  19.                     }
  20.                     setTabAt(tab, index, new TreeBin<K,V>(hd));
  21.                 }
  22.             }
  23.         }
  24.     }
  25. }

可以看出，生成树节点的代码块是同步的，进入同步代码块之后，再次验证table中index位置元素是否被修改过。
1、根据table中index位置Node链表，重新生成一个hd为头结点的TreeNode链表。
2、根据hd头结点，生成TreeBin树结构，并把树结构的root节点写到table的index位置的内存中，具体实现如下：

  1. TreeBin(TreeNode<K,V> b) {
  2.     super(TREEBIN, null, null, null);
  3.     this.first = b;
  4.     TreeNode<K,V> r = null;
  5.     for (TreeNode<K,V> x = b, next; x != null; x = next) {
  6.         next = (TreeNode<K,V>)x.next;
  7.         x.left = x.right = null;
  8.         if (r == null) {
  9.             x.parent = null;
  10.             x.red = false;
  11.             r = x;
  12.         }
  13.         else {
  14.             K k = x.key;
  15.             int h = x.hash;
  16.             Class<?> kc = null;
  17.             for (TreeNode<K,V> p = r;;) {
  18.                 int dir, ph;
  19.                 K pk = p.key;
  20.                 if ((ph = p.hash) > h)
  21.                     dir = -1;
  22.                 else if (ph < h)
  23.                     dir = 1;
  24.                 else if ((kc == null &&
  25.                           (kc = comparableClassFor(k)) == null) ||
  26.                          (dir = compareComparables(kc, k, pk)) == 0)
  27.                     dir = tieBreakOrder(k, pk);
  28.                     TreeNode<K,V> xp = p;
  29.                 if ((p = (dir <= 0) ? p.left : p.right) == null) {
  30.                     x.parent = xp;
  31.                     if (dir <= 0)
  32.                         xp.left = x;
  33.                     else
  34.                         xp.right = x;
  35.                     r = balanceInsertion(r, x);
  36.                     break;
  37.                 }
  38.             }
  39.         }
  40.     }
  41.     this.root = r;
  42.     assert checkInvariants(root);
  43. }

主要根据Node节点的hash值大小构建二叉树。这个红黑树的构造过程实在有点复杂，感兴趣的同学可以看看源码。

get操作

get操作和put操作相比，显得简单了许多。

  1. public V get(Object key) {
  2.     Node<K,V>[] tab; Node<K,V> e, p; int n, eh; K ek;
  3.     int h = spread(key.hashCode());
  4.     if ((tab = table) != null && (n = tab.length) > 0 &&
  5.         (e = tabAt(tab, (n - 1) & h)) != null) {
  6.         if ((eh = e.hash) == h) {
  7.             if ((ek = e.key) == key || (ek != null && key.equals(ek)))
  8.                 return e.val;
  9.         }
  10.         else if (eh < 0)
  11.             return (p = e.find(h, key)) != null ? p.val : null;
  12.         while ((e = e.next) != null) {
  13.             if (e.hash == h &&
  14.                 ((ek = e.key) == key || (ek != null && key.equals(ek))))
  15.                 return e.val;
  16.         }
  17.     }
  18.     return null;
  19. }
  1. 判断table是否为空，如果为空，直接返回null。
  2. 计算key的hash值，并获取指定table中指定位置的Node节点，通过遍历链表或则树结构找到对应的节点，返回value值。

总结

ConcurrentHashMap 是一个并发散列映射表的实现，它允许完全并发的读取，并且支持给定数量的并发更新。相比于 HashTable 和同步包装器包装的 HashMap，使用一个全局的锁来同步不同线程间的并发访问，同一时间点，只能有一个线程持有锁，也就是说在同一时间点，只能有一个线程能访问容器，这虽然保证多线程间的安全并发访问，但同时也导致对容器的访问变成串行化的了。
1.6中采用ReentrantLock 分段锁的方式，使多个线程在不同的segment上进行写操作不会发现阻塞行为;1.8中直接采用了内置锁synchronized，难道是因为1.8的虚拟机对内置锁已经优化的足够快了？

谈谈ConcurrentHashMap1.7和1.8的不同实现

知止而后有定，定而后能静，静而后能安，安而后能虑，虑而后能得。

ConcurrentHashMap

在多线程环境下，使用HashMap进行put操作时存在丢失数据的情况，为了避免这种bug的隐患，强烈建议使用ConcurrentHashMap代替HashMap，为了对ConcurrentHashMap有更深入的了解，本文将对ConcurrentHashMap1.7和1.8的不同实现进行分析。

1.7实现

数据结构

jdk1.7中采用Segment + HashEntry的方式进行实现，结构如下：

ConcurrentHashMap初始化时，计算出Segment数组的大小ssize和每个Segment中HashEntry数组的大小cap，并初始化Segment数组的第一个元素；其中ssize大小为2的幂次方，默认为16，cap大小也是2的幂次方，最小值为2，最终结果根据根据初始化容量initialCapacity进行计算，计算过程如下：

  1. if (c * ssize < initialCapacity)
  2.     ++c;
  3. int cap = MIN_SEGMENT_TABLE_CAPACITY;
  4. while (cap < c)
  5.     cap <<= 1;

其中Segment在实现上继承了ReentrantLock，这样就自带了锁的功能。

put实现

当执行put方法插入数据时，根据key的hash值，在Segment数组中找到相应的位置，如果相应位置的Segment还未初始化，则通过CAS进行赋值，接着执行Segment对象的put方法通过加锁机制插入数据，实现如下：

场景：线程A和线程B同时执行相同Segment对象的put方法

1、线程A执行tryLock()方法成功获取锁，则把HashEntry对象插入到相应的位置；
2、线程B获取锁失败，则执行scanAndLockForPut()方法，在scanAndLockForPut方法中，会通过重复执行tryLock()方法尝试获取锁，在多处理器环境下，重复次数为64，单处理器重复次数为1，当执行tryLock()方法的次数超过上限时，则执行lock()方法挂起线程B；
3、当线程A执行完插入操作时，会通过unlock()方法释放锁，接着唤醒线程B继续执行；

size实现

因为ConcurrentHashMap是可以并发插入数据的，所以在准确计算元素时存在一定的难度，一般的思路是统计每个Segment对象中的元素个数，然后进行累加，但是这种方式计算出来的结果并不一样的准确的，因为在计算后面几个Segment的元素个数时，已经计算过的Segment同时可能有数据的插入或则删除，在1.7的实现中，采用了如下方式：

  1. try {
  2.     for (;;) {
  3.         if (retries++ == RETRIES_BEFORE_LOCK) {
  4.             for (int j = 0; j < segments.length; ++j)
  5.                 ensureSegment(j).lock(); // force creation
  6.         }
  7.         sum = 0L;
  8.         size = 0;
  9.         overflow = false;
  10.         for (int j = 0; j < segments.length; ++j) {
  11.             Segment<K,V> seg = segmentAt(segments, j);
  12.             if (seg != null) {
  13.                 sum += seg.modCount;
  14.                 int c = seg.count;
  15.                 if (c < 0 || (size += c) < 0)
  16.                     overflow = true;
  17.             }
  18.         }
  19.         if (sum == last)
  20.             break;
  21.         last = sum;
  22.     }
  23. } finally {
  24.     if (retries > RETRIES_BEFORE_LOCK) {
  25.         for (int j = 0; j < segments.length; ++j)
  26.             segmentAt(segments, j).unlock();
  27.     }
  28. }

先采用不加锁的方式，连续计算元素的个数，最多计算3次：
1、如果前后两次计算结果相同，则说明计算出来的元素个数是准确的；
2、如果前后两次计算结果都不同，则给每个Segment进行加锁，再计算一次元素的个数；

1.8实现

数据结构

1.8中放弃了Segment臃肿的设计，取而代之的是采用Node + CAS + Synchronized来保证并发安全进行实现，结构如下：

只有在执行第一次put方法时才会调用initTable()初始化Node数组，实现如下：

  1. private final Node<K,V>[] initTable() {
  2.     Node<K,V>[] tab; int sc;
  3.     while ((tab = table) == null || tab.length == 0) {
  4.         if ((sc = sizeCtl) < 0)
  5.             Thread.yield(); // lost initialization race; just spin
  6.         else if (U.compareAndSwapInt(this, SIZECTL, sc, -1)) {
  7.             try {
  8.                 if ((tab = table) == null || tab.length == 0) {
  9.                     int n = (sc > 0) ? sc : DEFAULT_CAPACITY;
  10.                     @SuppressWarnings("unchecked")
  11.                     Node<K,V>[] nt = (Node<K,V>[])new Node<?,?>[n];
  12.                     table = tab = nt;
  13.                     sc = n - (n >>> 2);
  14.                 }
  15.             } finally {
  16.                 sizeCtl = sc;
  17.             }
  18.             break;
  19.         }
  20.     }
  21.     return tab;
  22. }

put实现

当执行put方法插入数据时，根据key的hash值，在Node数组中找到相应的位置，实现如下：

1、如果相应位置的Node还未初始化，则通过CAS插入相应的数据；

  1. else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {
  2.     if (casTabAt(tab, i, null, new Node<K,V>(hash, key, value, null)))
  3.         break;                   // no lock when adding to empty bin
  4. }

2、如果相应位置的Node不为空，且当前该节点不处于移动状态，则对该节点加synchronized锁，如果该节点的hash不小于0，则遍历链表更新节点或插入新节点；

  1. if (fh >= 0) {
  2.     binCount = 1;
  3.     for (Node<K,V> e = f;; ++binCount) {
  4.         K ek;
  5.         if (e.hash == hash &&
  6.             ((ek = e.key) == key ||
  7.              (ek != null && key.equals(ek)))) {
  8.             oldVal = e.val;
  9.             if (!onlyIfAbsent)
  10.                 e.val = value;
  11.             break;
  12.         }
  13.         Node<K,V> pred = e;
  14.         if ((e = e.next) == null) {
  15.             pred.next = new Node<K,V>(hash, key, value, null);
  16.             break;
  17.         }
  18.     }
  19. }

3、如果该节点是TreeBin类型的节点，说明是红黑树结构，则通过putTreeVal方法往红黑树中插入节点；

  1. else if (f instanceof TreeBin) {
  2.     Node<K,V> p;
  3.     binCount = 2;
  4.     if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key, value)) != null) {
  5.         oldVal = p.val;
  6.         if (!onlyIfAbsent)
  7.             p.val = value;
  8.     }
  9. }

4、如果binCount不为0，说明put操作对数据产生了影响，如果当前链表的个数达到8个，则通过treeifyBin方法转化为红黑树，如果oldVal不为空，说明是一次更新操作，没有对元素个数产生影响，则直接返回旧值；

  1. if (binCount != 0) {
  2.     if (binCount >= TREEIFY_THRESHOLD)
  3.         treeifyBin(tab, i);
  4.     if (oldVal != null)
  5.         return oldVal;
  6.     break;
  7. }

5、如果插入的是一个新节点，则执行addCount()方法尝试更新元素个数baseCount；

size实现

1.8中使用一个volatile类型的变量baseCount记录元素的个数，当插入新数据或则删除数据时，会通过addCount()方法更新baseCount，实现如下：

  1. if ((as = counterCells) != null ||
  2.     !U.compareAndSwapLong(this, BASECOUNT, b = baseCount, s = b + x)) {
  3.     CounterCell a; long v; int m;
  4.     boolean uncontended = true;
  5.     if (as == null || (m = as.length - 1) < 0 ||
  6.         (a = as[ThreadLocalRandom.getProbe() & m]) == null ||
  7.         !(uncontended =
  8.           U.compareAndSwapLong(a, CELLVALUE, v = a.value, v + x))) {
  9.         fullAddCount(x, uncontended);
  10.         return;
  11.     }
  12.     if (check <= 1)
  13.         return;
  14.     s = sumCount();
  15. }

1、初始化时counterCells为空，在并发量很高时，如果存在两个线程同时执行CAS修改baseCount值，则失败的线程会继续执行方法体中的逻辑，使用CounterCell记录元素个数的变化；

2、如果CounterCell数组counterCells为空，调用fullAddCount()方法进行初始化，并插入对应的记录数，通过CAS设置cellsBusy字段，只有设置成功的线程才能初始化CounterCell数组，实现如下：

  1. else if (cellsBusy == 0 && counterCells == as &&
  2.          U.compareAndSwapInt(this, CELLSBUSY, 0, 1)) {
  3.     boolean init = false;
  4.     try {                           // Initialize table
  5.         if (counterCells == as) {
  6.             CounterCell[] rs = new CounterCell[2];
  7.             rs[h & 1] = new CounterCell(x);
  8.             counterCells = rs;
  9.             init = true;
  10.         }
  11.     } finally {
  12.         cellsBusy = 0;
  13.     }
  14.     if (init)
  15.         break;
  16. }

3、如果通过CAS设置cellsBusy字段失败的话，则继续尝试通过CAS修改baseCount字段，如果修改baseCount字段成功的话，就退出循环，否则继续循环插入CounterCell对象；

  1. else if (U.compareAndSwapLong(this, BASECOUNT, v = baseCount, v + x))
  2.     break;

所以在1.8中的size实现比1.7简单多，因为元素个数保存baseCount中，部分元素的变化个数保存在CounterCell数组中，实现如下：

  1. public int size() {
  2.     long n = sumCount();
  3.     return ((n < 0L) ? 0 :
  4.             (n > (long)Integer.MAX_VALUE) ? Integer.MAX_VALUE :
  5.             (int)n);
  6. }
  8. final long sumCount() {
  9.     CounterCell[] as = counterCells; CounterCell a;
  10.     long sum = baseCount;
  11.     if (as != null) {
  12.         for (int i = 0; i < as.length; ++i) {
  13.             if ((a = as[i]) != null)
  14.                 sum += a.value;
  15.         }
  16.     }
  17.     return sum;
  18. }

通过累加baseCount和CounterCell数组中的数量，即可得到元素的总个数；

ConcurrentHashMap的红黑树实现分析

知止而后有定，定而后能静，静而后能安，安而后能虑，虑而后能得

红黑树

红黑树是一种特殊的二叉树，主要用它存储有序的数据，提供高效的数据检索，时间复杂度为O(lgn)，每个节点都有一个标识位表示颜色，红色或黑色，有如下5种特性：
1、每个节点要么红色，要么是黑色；
2、根节点一定是黑色的；
3、每个空叶子节点必须是黑色的；
4、如果一个节点是红色的，那么它的子节点必须是黑色的；
5、从一个节点到该节点的子孙节点的所有路径包含相同个数的黑色节点；

结构示意图

只要满足以上5个特性的二叉树都是红黑树，当有新的节点加入时，有可能会破坏其中一些特性，需要通过左旋或右旋操作调整树结构，重新着色，使之重新满足所有特性。

ConcurrentHashMap红黑树实现

《谈谈ConcurrentHashMap1.7和1.8的不同实现》一文中已经提到，在1.8的实现中，当一个链表中的元素达到8个时，会调用treeifyBin()方法把链表结构转化成红黑树结构，实现如下：

  1. /**
  2.  * Replaces all linked nodes in bin at given index unless table is
  3.  * too small, in which case resizes instead.
  4.  */
  5. private final void treeifyBin(Node<K,V>[] tab, int index) {
  6.     Node<K,V> b; int n, sc;
  7.     if (tab != null) {
  8.         if ((n = tab.length) < MIN_TREEIFY_CAPACITY)
  9.             tryPresize(n << 1);
  10.         else if ((b = tabAt(tab, index)) != null && b.hash >= 0) {
  11.             synchronized (b) {
  12.                 if (tabAt(tab, index) == b) {
  13.                     TreeNode<K,V> hd = null, tl = null;
  14.                     for (Node<K,V> e = b; e != null; e = e.next) {
  15.                         TreeNode<K,V> p =
  16.                             new TreeNode<K,V>(e.hash, e.key, e.val,
  17.                                               null, null);
  18.                         if ((p.prev = tl) == null)
  19.                             hd = p;
  20.                         else
  21.                             tl.next = p;
  22.                         tl = p;
  23.                     }
  24.                     setTabAt(tab, index, new TreeBin<K,V>(hd));
  25.                 }
  26.             }
  27.         }
  28.     }
  29. }

从上述实现可以看出：并非一开始就创建红黑树结构，如果当前Node数组长度小于阈值MIN_TREEIFY_CAPACITY，默认为64，先通过扩大数组容量为原来的两倍以缓解单个链表元素过大的性能问题。

红黑树构造过程

下面对红黑树的构造过程进行分析：
1、通过遍历Node链表，生成对应的TreeNode链表，其中TreeNode在实现上继承了Node类；

  1. class TreeNode<K,V> extends Node<K,V> {
  2.     TreeNode<K,V> parent;  // red-black tree links
  3.     TreeNode<K,V> left;
  4.     TreeNode<K,V> right;
  5.     TreeNode<K,V> prev;
  6.     // needed to unlink next upon deletion
  7.     boolean red;
  8. }

假设TreeNode链表如下，其中节点中的数值代表hash值：

2、根据TreeNode链表初始化TreeBin类对象，TreeBin在实现上同样继承了Node类，所以初始化完成的TreeBin类对象可以保持在Node数组中；

  1. class TreeBin<K,V> extends Node<K,V> {
  2.     TreeNode<K,V> root;
  3.     volatile TreeNode<K,V> first;
  4.     volatile Thread waiter;
  5.     volatile int lockState;
  6.     // values for lockState
  7.     // set while holding write lock
  8.     static final int WRITER = 1;
  9.     // set when waiting for write lock
  10.     static final int WAITER = 2;
  11.     // increment value for setting read lock
  12.     static final int READER = 4;
  13. }

3、遍历TreeNode链表生成红黑树，一开始二叉树的根节点root为空，则设置链表中的第一个节点80为root，并设置其red属性为false，因为在红黑树的特性1中，明确规定根节点必须是黑色的；

  1. for (TreeNode<K,V> x = b, next; x != null; x = next) {
  2.     next = (TreeNode<K,V>)x.next;
  3.     x.left = x.right = null;
  4.     if (r == null) {
  5.         x.parent = null;
  6.         x.red = false;
  7.         r = x;
  8.     }
  9.     ...

二叉树结构：

4、加入节点60，如果root不为空，则通过比较节点hash值的大小将新节点插入到指定位置，实现如下：

  1. K k = x.key;
  2. int h = x.hash;
  3. Class<?> kc = null;
  4. for (TreeNode<K,V> p = r;;) {
  5.     int dir, ph;
  6.     K pk = p.key;
  7.     if ((ph = p.hash) > h)
  8.         dir = -1;
  9.     else if (ph < h)
  10.         dir = 1;
  11.     else if ((kc == null &&
  12.               (kc = comparableClassFor(k)) == null) ||
  13.              (dir = compareComparables(kc, k, pk)) == 0)
  14.         dir = tieBreakOrder(k, pk);
  15.         TreeNode<K,V> xp = p;
  16.     if ((p = (dir <= 0) ? p.left : p.right) == null) {
  17.         x.parent = xp;
  18.         if (dir <= 0)
  19.             xp.left = x;
  20.         else
  21.             xp.right = x;
  22.         r = balanceInsertion(r, x);
  23.         break;
  24.     }
  25. }

其中x代表即将插入到红黑树的节点，p指向红黑树中当前遍历到的节点，从根节点开始递归遍历，x的插入过程如下：

1)、如果x的hash值小于p的hash值，则判断p的左节点是否为空，如果不为空，则把p指向其左节点，并继续和p进行比较，如果p的左节点为空，则把x指向的节点插入到该位置；

2)、如果x的hash值大于p的hash值，则判断p的右节点是否为空，如果不为空，则把p指向其右节点，并继续和p进行比较，如果p的右节点为空，则把x指向的节点插入到该位置；

3)、如果x的hash值和p的hash值相等，怎么办？
解决：首先判断节点中的key对象的类是否实现了Comparable接口，如果实现Comparable接口，则调用compareTo方法比较两者key的大小，但是如果key对象没有实现Comparable接口，或则compareTo方法返回了0，则继续调用tieBreakOrder方法计算dir值，tieBreakOrder方法实现如下：

  1. static int tieBreakOrder(Object a, Object b) {
  2.     int d;
  3.     if (a == null || b == null ||
  4.         (d = a.getClass().getName().
  5.          compareTo(b.getClass().getName())) == 0)
  6.         d = (System.identityHashCode(a) <= System.identityHashCode(b) ?
  7.              -1 : 1);
  8.     return d;
  9. }

最终比较key对象的默认hashCode()方法的返回值，因为System.identityHashCode(a)调用的是对象a默认的hashCode()；

插入节点60之后的二叉树：

5、当有新节点加入时，可能会破坏红黑树的特性，需要执行balanceInsertion()方法调整二叉树，使之重新满足特性，方法中的变量xp指向x的父节点，xpp指向xp父节点，xppl和xppr分别指向xpp的左右子节点，balanceInsertion()方法首先会把新加入的节点设置成红色。

①、加入节点60之后，此时xp指向节点80，其父节点为空，直接返回。

  1. if ((xp = x.parent) == null) {
  2.     x.red = false;
  3.     return x;
  4. }
  5. else if (!xp.red || (xpp = xp.parent) == null)
  6.     return root;

调整之后的二叉树：

②、加入节点50，二叉树如下：

继续执行balanceInsertion()方法调整二叉树，此时节点50的父节点60是左儿子，走如下逻辑：

  1. if (xp == (xppl = xpp.left)) {
  2.     if ((xppr = xpp.right) != null && xppr.red) {
  3.         xppr.red = false;
  4.         xp.red = false;
  5.         xpp.red = true;
  6.         x = xpp;
  7.     }
  8.     else {
  9.         if (x == xp.right) {
  10.             root = rotateLeft(root, x = xp);
  11.             xpp = (xp = x.parent) == null ? null : xp.parent;
  12.         }
  13.         if (xp != null) {
  14.             xp.red = false;
  15.             if (xpp != null) {
  16.                 xpp.red = true;
  17.                 root = rotateRight(root, xpp);
  18.             }
  19.         }
  20.     }
  21. }

根据上述逻辑，把节点60设置成黑色，把节点80设置成红色，并对节点80执行右旋操作，右旋实现如下：

  1. static <K,V> TreeNode<K,V> rotateRight(TreeNode<K,V> root,
  2.                                        TreeNode<K,V> p) {
  3.     TreeNode<K,V> l, pp, lr;
  4.     if (p != null && (l = p.left) != null) {
  5.         if ((lr = p.left = l.right) != null)
  6.             lr.parent = p;
  7.         if ((pp = l.parent = p.parent) == null)
  8.             (root = l).red = false;
  9.         else if (pp.right == p)
  10.             pp.right = l;
  11.         else
  12.             pp.left = l;
  13.         l.right = p;
  14.         p.parent = l;
  15.     }
  16.     return root;
  17. }

右旋之后的红黑树如下：

③、加入节点70，二叉树如下：

继续执行balanceInsertion()方法调整二叉树，此时父节点80是个右儿子，节点70是左儿子，且叔节点50不为空，且是红色的，则执行如下逻辑：

  1. if (xppl != null && xppl.red) {
  2.     xppl.red = false;
  3.     xp.red = false;
  4.     xpp.red = true;
  5.     x = xpp;
  6. }

此时二叉树如下：

此时x指向xpp，即节点60，继续循环处理x，设置其颜色为黑色，最终二叉树如下：

④、加入节点20，二叉树变化如下：

因为节点20的父节点50是一个黑色的节点，不需要进行调整；

⑤、加入节点65，二叉树变化如下：

对节点80进行右旋操作。

⑥、加入节点40，二叉树变化如下：

1、对节点20执行左旋操作；
2、对节点50执行右旋操作；

最后加入节点10，二叉树变化如下：

重新对节点进行着色，到此为止，红黑树已经构造完成；

深入分析ConcurrentHashMap1.8的扩容实现

什么情况会触发扩容

当往hashMap中成功插入一个key/value节点时，有可能触发扩容动作：
1、如果新增节点之后，所在链表的元素个数达到了阈值 8，则会调用treeifyBin方法把链表转换成红黑树，不过在结构转换之前，会对数组长度进行判断，实现如下：

如果数组长度n小于阈值MIN_TREEIFY_CAPACITY，默认是64，则会调用tryPresize方法把数组长度扩大到原来的两倍，并触发transfer方法，重新调整节点的位置。

2、新增节点之后，会调用addCount方法记录元素个数，并检查是否需要进行扩容，当数组元素个数达到阈值时，会触发transfer方法，重新调整节点的位置。

transfer实现

transfer方法实现了在并发的情况下，高效的从原始组数往新数组中移动元素，假设扩容之前节点的分布如下，这里区分蓝色节点和红色节点，是为了后续更好的分析：

在上图中，第14个槽位插入新节点之后，链表元素个数已经达到了8，且数组长度为16，优先通过扩容来缓解链表过长的问题，实现如下：
1、根据当前数组长度n，新建一个两倍长度的数组nextTable；

2、初始化ForwardingNode节点，其中保存了新数组nextTable的引用，在处理完每个槽位的节点之后当做占位节点，表示该槽位已经处理过了；

3、通过for自循环处理每个槽位中的链表元素，默认advace为真，通过CAS设置transferIndex属性值，并初始化i和bound值，i指当前处理的槽位序号，bound指需要处理的槽位边界，先处理槽位15的节点；

4、在当前假设条件下，槽位15中没有节点，则通过CAS插入在第二步中初始化的ForwardingNode节点，用于告诉其它线程该槽位已经处理过了；

5、如果槽位15已经被线程A处理了，那么线程B处理到这个节点时，取到该节点的hash值应该为MOVED，值为-1，则直接跳过，继续处理下一个槽位14的节点；

6、处理槽位14的节点，是一个链表结构，先定义两个变量节点ln和hn，按我的理解应该是lowNode和highNode，分别保存hash值的第X位为0和1的节点，具体实现如下：

使用fn&n可以快速把链表中的元素区分成两类，A类是hash值的第X位为0，B类是hash值的第X位为1，并通过lastRun记录最后需要处理的节点，A类和B类节点可以分散到新数组的槽位14和30中，在原数组的槽位14中，蓝色节点第X为0，红色节点第X为1，把链表拉平显示如下：

1、通过遍历链表，记录runBit和lastRun，分别为1和节点6，所以设置hn为节点6，ln为null；
2、重新遍历链表，以lastRun节点为终止条件，根据第X位的值分别构造ln链表和hn链表：

ln链：和原来链表相比，顺序已经不一样了

hn链：

通过CAS把ln链表设置到新数组的i位置，hn链表设置到i+n的位置；

7、如果该槽位是红黑树结构，则构造树节点lo和hi，遍历红黑树中的节点，同样根据hash&n算法，把节点分为两类，分别插入到lo和hi为头的链表中，根据lo和hi链表中的元素个数分别生成ln和hn节点，其中ln节点的生成逻辑如下：
（1）如果lo链表的元素个数小于等于UNTREEIFY_THRESHOLD，默认为6，则通过untreeify方法把树节点链表转化成普通节点链表；
（2）否则判断hi链表中的元素个数是否等于0：如果等于0，表示lo链表中包含了所有原始节点，则设置原始红黑树给ln，否则根据lo链表重新构造红黑树。

最后，同样的通过CAS把ln设置到新数组的i位置，hn设置到i+n位置。

Java 容器源码分析之ConcurrentHashMap的更多相关文章

  1. 基于JDK1.8，Java容器源码分析

    容器源码分析 如果没有特别说明,以下源码分析基于 JDK 1.8. 在 IDEA 中 double shift 调出 Search EveryWhere,查找源码文件,找到之后就可以阅读源码. Lis ...

  2. Java 容器源码分析之1.7HashMap

    以下内容基于jdk1.7.0_79源码: 什么是HashMap 基于哈希表的一个Map接口实现,存储的对象是一个键值对对象(Entry<K,V>): HashMap补充说明 基于数组和链表 ...

  3. Java 容器源码分析之Map-Set-List

    HashMap 的实现原理 HashMap 概述 HashMap 是基于哈希表的 Map 接口的非同步实现.此实现提供所有可选的映射操作,并允许使用 null 值和 null 键.此类不保证映射的顺序 ...

  4. java容器源码分析及常见面试题笔记

      概览 容器主要包括 Collection 和 Map 两种,Collection 存储着对象的集合,而 Map 存储着键值对(两个对象)的映射表. List Arraylist: Object数组 ...

  5. Java 容器源码分析之 ArrayList

    概览 ArrayList是最常使用的集合类之一了.在JDK文档中对ArrayList的描述是:ArrayList是对list接口的一种基于可变数组的实现.ArrayList类的声明如下: 12 pub ...

  6. Java 容器源码分析之 TreeMap

    TreeMap 是一种基于红黑树实现的 Key-Value 结构.在使用集合视图在 HashMap 中迭代时,是不能保证迭代顺序的: LinkedHashMap 使用了双向链表,保证按照插入顺序或者访 ...

  7. Java 容器源码分析之 LinkedHashMap

    同 HashMap 一样,LinkedHashMap 也是对 Map 接口的一种基于链表和哈希表的实现.实际上, LinkedHashMap 是 HashMap 的子类,其扩展了 HashMap 增加 ...

  8. Java 容器源码分析之1.8HashMap方法讲解

    前言:Java8之后新增挺多新东西,在网上找了些相关资料,关于HashMap在自己被血虐之后痛定思痛决定整理一下相关知识方便自己看.图和有些内容参考的这个文章:http://www.importnew ...

  9. Java 容器源码分析之 Map

    ava.util 中的集合类包含 Java 中某些最常用的类.最常用的集合类是 List 和 Map.List 的具体实现包括 ArrayList 和 Vector,它们是可变大小的列表,比较适合构建 ...

随机推荐

  1. osg探究补充：DatabasePager类简介

    简介 DatabasePager类,也就是常说的数据库分页技术,简单来说,就是在进行数据库查找时,有可能满足条件的数据很多,为了提高相应速度我们进行数据查找时进行分页查找与显示,当点击下一页时才会进行 ...

  2. Python 多进程编程之multiprocessing--Process

    Python 多进程编程之multiprocessing 1,Process 跨平台的进程创建模块(multiprocessing), 支持跨平台:windowx/linux 创建和启动      创 ...

  3. centos7.2 下 nginx 开机启动

    1.在系统服务目录里创建nginx.service文件 1 vi /lib/systemd/system/nginx.service 内容如下 1 2 3 4 5 6 7 8 9 10 11 12 1 ...

  4. ABP框架系列之四十二：(Object-To-Object-Mapping-对象映射)

    Introduction It's a common to map a similar object to another object. It's also tedious and repeatin ...

  5. 使用freemarker对模板进行渲染

    最近项目中使用到了,对word模板进行编辑和渲染,所以使用到了模板引擎技术. 在项目中,我们前端使用的富文本编辑器,进行展示和保存(和word格式一致),后端采用了freemarker进行数据的渲染. ...

  6. JavaWeb环境搭建（作业八）

    1.JDK下载配置: (1)在官网下载jdk. (2)安装jdk.双击下载好的jdk,中间会选两次安装路径,一次是装jdk,一次是装jre.记住安装的路径. (3)配置环境变量. 1.在我的电脑右键属 ...

  7. RxSwift学习笔记8：filter/distinctUntilChanged/single/elementAt/ignoreElements/take/takeLast/skip/sample/debounce

    //filter:该操作符就是用来过滤掉某些不符合要求的事件. Observable.of(1,2,3,4,5,8).filter({ $0 % 2 == 0 }).subscribe { (even ...

  8. Delphi控件cxGrid 如何动态创建列?

    方法一: var i: Integer; Column: TcxGridDBColumn; cxView: TcxGridDBTableView; begin cxView := Self.Level ...

  9. 【论文学习】YOLO9000: Better,Faster,Stronger（YOLO9000：更好，更快，更强）

    原文下载:https://arxiv.org/pdf/1612.08242v1.pdf 工程代码:http://pjreddie.com/darknet/yolo/ 目录 目录 摘要 简介 BETTE ...

  10. 用 Docker 构建、运行、发布来一个 Spring Boot 应用

    本文演示了如何用 Docker 构建.运行.发布来一个 Spring Boot 应用. Docker 简介 Docker 是一个 Linux 容器管理工具包,具备“社交”方面,允许用户发布容器的 im ...