以鍵值對的形式存儲，是基於Map接口的實現,可以接收null的鍵值，不保證有序（比如插入順序），存儲著Entry(hash, key, value, next)對象。
public static void main(String[] args){
Map<String, Integer> map = new HashMap<String, Integer>();
map.put("上海", 1);
map.put("北京", 2);
map.put("廣州", 3);
map.put("天津", 4);
map.put("重慶", 5);
for(Map.Entry<String, Integer> entry : map.entrySet()) {
System.out.println(entry.getKey() + ": " + entry.getValue());
}
}IntelliJ IDEA 調試，通過Variables我們能看到這樣的儲存方式：
通過示例調試可以總結出HashMap示例存儲的數據結構：
transient Node<K,V>[] table;Node是HashMap的一個內部類，單向鏈表實現方式
static class Node<K,V> implements Map.Entry<K,V> {
final int hash; //用來定位數組索引位置
final K key;
V value;
Node<K,V> next; //鏈表的下一個node
Node(int hash, K key, V value, Node<K,V> next) {
this.hash = hash;
this.key = key;
this.value = value;
this.next = next;
}
public final K getKey() { return key; }
public final V getValue() { return value; }
public final String toString() { return key + "=" + value; }
public final int hashCode() {
return Objects.hashCode(key) ^ Objects.hashCode(value);
}
public final V setValue(V newValue) {
V oldValue = value;
value = newValue;
return oldValue;
}
public final boolean equals(Object o) {
if (o == this)
return true;
if (o instanceof Map.Entry) {
Map.Entry<?,?> e = (Map.Entry<?,?>)o;
if (Objects.equals(key, e.getKey()) && Objects.equals(value, e.getValue()))
return true;
}
return false;
}
}static final class TreeNode<K,V> extends LinkedHashMap.Entry<K,V> {
TreeNode<K,V> parent; // red-black tree links
TreeNode<K,V> left;
TreeNode<K,V> right;
TreeNode<K,V> prev; // needed to unlink next upon deletion
boolean red;
TreeNode(int hash, K key, V val, Node<K,V> next) {
super(hash, key, val, next);
}
//返回當前節點的根節點
final TreeNode<K,V> root() {
for (TreeNode<K,V> r = this, p;;) {
if ((p = r.parent) == null)
return r;
r = p;
}
}
以下省略... ...
}//默認初始容量為16，必須為2的冪
static final int DEFAULT_INITIAL_CAPACITY = 1 << 4;
//最大容量為2的30次方
static final int MAXIMUM_CAPACITY = 1 << 30;
////默認加載因子0.75,當HashMap的數據大小>=容量*加載因子時，HashMap會將容量擴容
static final float DEFAULT_LOAD_FACTOR = 0.75f;
//鏈表長度大於8時，將鏈表轉化為紅黑樹
static final int TREEIFY_THRESHOLD = 8;
//如果發現鏈表長度小於 6，則會將紅黑樹重新退化為鏈表
static final int UNTREEIFY_THRESHOLD = 6;
//轉變成樹之前進行一次判斷，只有鍵值對數量大於64才會發生轉換。這是為了避免在哈希表建立初期，多個鍵值對恰好被放入了同一個鏈表中而導致不必要的轉化。
static final int MIN_TREEIFY_CAPACITY = 64; //MIN_TREEIFY_CAPACITY>= 4 * TREEIFY_THRESHOLD
//下次擴容的臨界值，size>=threshold就會擴容,threshold＝容量*加載因子
int threshold;
final float loadFactor;
// 修改次數
transient int modCount;在看到3.1的圖時，可能會有疑問，廣州為什麼放到上海的鏈表中，帶著問題我們往下看。
public V put(K key, V value) {
return 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;
// tab為空則創建
if ((tab = table) == null || (n = tab.length) == 0)
n = (tab = resize()).length;
// 計算index，並對null做處理
if ((p = tab[i = (n - 1) & hash]) == null)
tab[i] = newNode(hash, key, value, null);
else {
Node<K,V> e; K k;
// 節點key存在，直接覆蓋value
if (p.hash == hash && ((k = p.key) == key || (key != null && key.equals(k))))
e = p;
// 判斷該鏈為紅黑樹
else if (p instanceof TreeNode)
e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
// 該鏈為鏈表
else {
for (int binCount = 0; ; ++binCount) {
if ((e = p.next) == null) {
// 在Node添加到尾部
p.next = newNode(hash, key, value, null);
// 若鏈表長度大於8，則轉換為紅黑樹進行處理
if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
treeifyBin(tab, hash);
break;
}
// key已經存在，直接覆蓋value
if (e.hash == hash && ((k = e.key) == key || (key != null && key.equals(k))))
break;
p = e;
}
}
//寫入
if (e != null) { // existing mapping for key
V oldValue = e.value;
if (!onlyIfAbsent || oldValue == null)
e.value = value;
afterNodeAccess(e);
return oldValue;
}
}
// 如果本次新增key之前不存在於HashMap中，modCount加1，說明結構改變了
++modCount;
// 如果大於threshold， 擴容
if (++size > threshold)
resize();
afterNodeInsertion(evict);
return null;
}
final void treeifyBin(Node<K,V>[] tab, int hash) {
int n, index; Node<K,V> e;
//當tab.length<MIN_TREEIFY_CAPACITY 時還是進行resize
if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY)
resize();
// key存在，轉化為紅黑樹
else if ((e = tab[index = (n - 1) & hash]) != null) {
TreeNode<K,V> hd = null, tl = null;
do {
// 建立樹的根節點，然後對每個元素進行添加
TreeNode<K,V> p = replacementTreeNode(e, null);
if (tl == null)
hd = p;
else {
p.prev = tl;
tl.next = p;
}
tl = p;
} while ((e = e.next) != null);
if ((tab[index] = hd) != null)
// 存儲紅黑樹
hd.treeify(tab);
}
}這裡重點說兩點：
索引的計算：
在計算索引時，這個值必須在[0,length]這個左閉右開的區間中，基於這個條件，比如默認的table長度為16，代入公式 (n - 1) & hash，結果必然是存在於[0,length]區間范圍內。這裡還有個小技巧，在容量一定是2^n的情況下，h & (length - 1) == h % length，這裡之所以使用位運算，我想也是因為位運算直接由計算機處理，效率要高過%運算。
轉化紅黑樹：
在put方法中，邏輯是鏈表長度大於（TREEIFY_THRESHOLD -1）時，就轉化為紅黑樹， 實際情況這只是初步判斷，在轉化的方法treeifyBin()方法中會進行二次校驗，當tab.length
static final int hash(Object key) {
int h;
return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}這個函數大概的作用就是：高16bit不變，低16bit和高16bit做了一個異或。根據注釋及個人理解，這樣的做的原因是因為Java中對象的哈希值都32位整數，高位與低位異或一下能保證高低位都能參與到下標計算中，即使在table長度比較小的情況下，也能盡可能的避免碰撞。
舉例：
通過以上計算，也正好證明，為什麼廣州會成為上海的next節點。
final Node<K,V>[] resize() {
Node<K,V>[] oldTab = table;
int oldCap = (oldTab == null) ? 0 : oldTab.length; // 獲取原HashMap數組的長度。
int oldThr = threshold; // 擴容臨界值
int newCap, newThr = 0;
if (oldCap > 0) {
// 超過最大值就不再擴充了
if (oldCap >= MAXIMUM_CAPACITY) {
threshold = Integer.MAX_VALUE;
return oldTab;
}
// 沒超過最大值，就擴充為原來的2倍
else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY && oldCap >= DEFAULT_INITIAL_CAPACITY)
newThr = oldThr << 1; // double threshold
}
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);
}
// 計算新的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;
// 遍歷桶，然後對桶中的每個元素進行重新hash
if (oldTab != null) {
for (int j = 0; j < oldCap; ++j) {
Node<K,V> e;
if ((e = oldTab[j]) != null) {
oldTab[j] = null; // 原table地址釋放
// 單節點處理
if (e.next == null)
newTab[e.hash & (newCap - 1)] = e; // 重新hash放入新table中
// 紅黑樹處理
else if (e instanceof TreeNode)
((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
else { // preserve order
// 長鏈表處理
Node<K,V> loHead = null, loTail = null;
Node<K,V> hiHead = null, hiTail = null;
Node<K,V> next;
do {
next = e.next;
// 新表是舊表的兩倍容量，以下把單鏈表拆分為高位鏈表、低位鏈表
if ((e.hash & oldCap) == 0) { // 低位鏈表，注意與的對象是oldCap，而不是 oldCap-1
if (loTail == null)
loHead = e;
else
loTail.next = e;
loTail = e;
}
else { // 高位鏈表
if (hiTail == null)
hiHead = e;
else
hiTail.next = e;
hiTail = e;
}
} while ((e = next) != null);
// 低位鏈表保持原索引放入新table中
if (loTail != null) {
loTail.next = null;
newTab[j] = loHead;
}
// 高位鏈表放入新table中，索引=原索引+oldCap
if (hiTail != null) {
hiTail.next = null;
newTab[j + oldCap] = hiHead;
}
}
}
}
}
return newTab;
}從resize() 的實現中可以看出，在擴容時，針對table，如果桶的位置是單節點鏈表，那麼index =（hash & (newTab.length - 1)），直接放入新表。紅黑樹另外處理。若是多節點鏈表，會產生高低和低位鏈表，即：hash & length=0為低位鏈表、hash & length=length為高位鏈表。低位鏈表保持原索引放入新table中，高位鏈表index=oldTab.index + oldTab.length = hash & (newTab.length-1)。
為什麼要分高低位鏈表?，試想若是全部都使用index =（hash & (newTab.length - 1)）計算，此時因為是基於下標存儲，從而導致在index沖突的情況下，多元素鏈表的追加出現額外的時間（尋址等）或空間（輔助參數、結構等）上的開銷。分高低位鏈表，相比先保存好數據再尋找追加效率更好，也是極好的優化技巧。
public V get(Object key) {
Node<K,V> e;
return (e = getNode(hash(key), key)) == null ? null : e.value;
}
final Node<K,V> getNode(int hash, Object key) {
Node<K,V>[] tab; Node<K,V> first, e; int n; K k;
if ((tab = table) != null && (n = tab.length) > 0 && (first = tab[(n - 1) & hash]) != null) {
// 直接命中
if (first.hash == hash && // always check first node
((k = first.key) == key || (key != null && key.equals(k))))
return first;
// 未命中
if ((e = first.next) != null) {
// 在樹中查找
if (first instanceof TreeNode)
return ((TreeNode<K,V>)first).getTreeNode(hash, key);
// 在鏈表中查找
do {
if (e.hash == hash && ((k = e.key) == key || (key != null && key.equals(k))))
return e;
} while ((e = e.next) != null);
}
}
return null;
}public V remove(Object key) {
Node<K,V> e;
return (e = removeNode(hash(key), key, null, false, true)) == null ? null : e.value;
}
final Node<K,V> removeNode(int hash, Object key, Object value, boolean matchValue, boolean movable) {
Node<K,V>[] tab; Node<K,V> p; int n, index;
if ((tab = table) != null && (n = tab.length) > 0 && (p = tab[index = (n - 1) & hash]) != null) {
Node<K,V> node = null, e; K k; V v;
// 直接命中
if (p.hash == hash && ((k = p.key) == key || (key != null && key.equals(k))))
node = p;
else if ((e = p.next) != null) {
// 紅黑樹中查找
if (p instanceof TreeNode)
node = ((TreeNode<K,V>)p).getTreeNode(hash, key);
else {
// 鏈表中查找
do {
if (e.hash == hash && ((k = e.key) == key || (key != null && key.equals(k)))) {
node = e;
break;
}
p = e;
} while ((e = e.next) != null);
}
}
// 命中後刪除
if (node != null && (!matchValue || (v = node.value) == value || (value != null && value.equals(v)))) {
if (node instanceof TreeNode)
((TreeNode<K,V>)node).removeTreeNode(this, tab, movable);
else if (node == p)
tab[index] = node.next; // 鏈表首元素刪除
else
p.next = node.next; //多元素鏈表節點刪除
++modCount;
--size;
afterNodeRemoval(node);
return node;
}
}
return null;
}public boolean containsKey(Object key) {
return getNode(hash(key), key) != null;
}public boolean containsValue(Object value) {
Node<K,V>[] tab; V v;
if ((tab = table) != null && size > 0) {
// table遍歷
for (int i = 0; i < tab.length; ++i) {
// 多元素鏈表遍歷
for (Node<K,V> e = tab[i]; e != null; e = e.next) {
if ((v = e.value) == value || (value != null && value.equals(v)))
return true;
}
}
}
return false;
}加載因子存在的原因，還是因為要減緩哈希沖突，例如：默認初始桶為16，或等到滿16個元素才擴容，某些桶裡可能就會有多個元素了。所以加載因子默認為0.75，也就是說大小為16的HashMap，擴容臨界值threshold=0.75*16=12,到了第13個元素，就會擴容成32。
在構造函數裡，設定小一點的加載因子,比如0.5，甚至0.25。
若是一個長期存在的Map,並且key不固定，那可以適當加大初始大小，同時減少加載因子，降低沖突的機率，也能減少尋址的時間。用空間來換時間，這時也是值得的。
通過以上源碼分析，每次擴容都需要重創建桶數組、鏈表、數據轉換等，所以擴容成本還是挺高的，若初始化時能設置准確或預估出需要的容量，即使大一點，用空間來換時間，有時也是值得的。
如果無法保證無沖突而且能用==來對比，那就盡量搞短點，試想一個個字符的equals都是需要花時間的。順序型的Key,如：k1、k2、k3...k50,這種key的hashCode是數字遞增，沖突的可能性實在太小。
for(int i=0;i<100;i++){
System.out.println(key+".hashCode="+key.hashCode());
}
結果：
K0.hashCode = 2373
K1.hashCode = 2374
K2.hashCode = 2375
K3.hashCode = 2376
K4.hashCode = 2377
... ...
