概述
第1 部分 Map 概述
第2 部分 内部哈希： 哈希映射技术
第3 部分 Map 优化
3.1 调整实际大小
3.2 负载因子
第1 部分 Map 概述
Map：“键值”对映射的抽象接口。该映射不包括重复的键，一个键对应一个值。
SortedMap：有序的键值对接口，继承Map接口。
NavigableMap：继承SortedMap，具有了针对给定搜索目标返回最接近匹配项的导航方法的接口。
AbstractMap：实现了Map中的绝大部分函数接口。它减少了“Map的实现类”的重复编码。
Dictionary：任何可将键映射到相应值的类的抽象父类。目前被Map接口取代。
TreeMap：有序散列表，实现SortedMap 接口，底层通过红黑树实现。
HashMap：是基于“拉链法”实现的散列表。底层采用“数组+链表”实现。
WeakHashMap：基于“拉链法”实现的散列表。
HashTable：基于“拉链法”实现的散列表。
总结如下：
第2 部分 内部哈希： 哈希映射技术
哈希映射技术是一种就元素映射到数组的非常简单的技术。由于哈希映射采用的是数组结果，那么必然存在一中用于确定任意键访问数组的索引机制，该机制能够提供一个小于数组大小的整数，我们将该机制称之为哈希函数。在Java中我们不必为寻找这样的整数而大伤脑筋，因为每个对象都必定存在一个返回整数值的hashCode方法，而我们需要做的就是将其转换为整数，然后再将该值除以数组大小取余即可。如下
int
下面是HashMap、HashTable的：
----------HashMap------------
//计算hash值
static int hash(int h) {
h ^= (h >>> 20) ^ (h >>> 12);
return h ^ (h >>> 7) ^ (h >>> 4);
}
//计算key的索引位置
static int indexFor(int h, int length) {
return h & (length-1);
}
-----HashTable--------------
int index = (hash & 0x7FFFFFFF) % tab.length; //确认该key的索引位置
在众多肯能存在多个元素他们的hash值是一样的，这样就会得到相同的索引位置，也就说多个元素会映射到相同的位置，这个过程我们称之为“冲突”。解决冲突的办法就是在索引位置处插入一个链接列表，并简单地将元素添加到此链接列表。当然也不是简单的插入，在HashMap中的处理过程如下：获取索引位置的链表，如果该链表为null，则将该元素直接插入，否则通过比较是否存在与该key相同的key，若存在则覆盖原来key的value并返回旧值，否则将该元素保存在链头（最先保存的元素放在链尾）。下面是HashMap的put方法，该方法详细展示了计算索引位置，将元素插入到适当的位置的全部过程：
1 // 将“key-value”添加到HashMap中
2 public V put(K key, V value) {
3 // 若“key为null”，则将该键值对添加到table[0]中。
4 if (key == null)
5 return putForNullKey(value);
6 // 若“key不为null”，则计算该key的哈希值，然后将其添加到该哈希值对应的链表中。
7 int hash = hash(key);
8 int i = indexFor(hash, table.length);
9 for (Entry<K,V> e = table[i]; e != null; e = e.next) {
10 Object k;
11 // 若“该key”对应的键值对已经存在，则用新的value取代旧的value。然后退出！
12 if (e.hash == hash && ((k = e.key) == key || key.equals(k))) {
13 V oldValue = e.value;
14 e.value = value;
15 e.recordAccess(this);
16 return oldValue;
17 }
18 }
19
20 // 若“该key”对应的键值对不存在，则将“key-value”添加到table中
21 modCount++;
22 addEntry(hash, key, value, i);
23 return null;
24 }
25
26 // putForNullKey()的作用是将“key为null”键值对添加到table[0]位置
27 private V putForNullKey(V value) {
28 for (Entry<K,V> e = table[0]; e != null; e = e.next) {
29 if (e.key == null) {
30 V oldValue = e.value;
31 e.value = value;
32 // recordAccess()函数什么也没有做
33 e.recordAccess(this);
34 return oldValue;
35 }
36 }
37 // 添加第1个“key为null”的元素都table中的时候，会执行到这里。
38 // 它的作用是将“设置table[0]的key为null，值为value”。
39 modCount++;
40 addEntry(0, null, value, 0);
41 return null;
42 }
HashMap的put方法展示了哈希映射的基本思想，其实如果我们查看其它的Map，发现其原理都差不多！
第3 部分 Map 优化
首先这样假设，假设哈希映射的内部数组的大小只有1，所有的元素都将映射该位置（0），从而构成一条较长的链表。由于我们更新、访问都要对这条链表进行线性搜索，这样势必会降低效率。我们假设，如果存在一个非常大数组，每个位置链表处都只有一个元素，在进行访问时计算其 index 值就会获得该对象，这样做虽然会提高我们搜索的效率，但是它浪费了控件。这两种方式都是极端的，但是它给我们提供了一种优化思路：使用一个较大的数组让元素能够均匀分布。在Map有两个会影响到其效率，一是容器的初始化大小、二是负载因子。
3.1 调整实际大小
在哈希映射表中，内部数组中的每个位置称作“存储桶”(bucket)，而可用的存储桶数（即内部数组的大小）称作容量 (capacity)，我们为了使Map对象能够有效地处理任意数的元素，将Map设计成可以调整自身的大小。我们知道当Map中的元素达到一定量的时候就会调整容器自身的大小，但是这个调整大小的过程其开销是非常大的。调整大小需要将原来所有的元素插入到新数组中。我们知道index = hash(key) % length。这样可能会导致原先冲突的键不在冲突，不冲突的键现在冲突的，重新计算、调整、插入的过程开销是非常大的，效率也比较低下。所以，如果我们开始知道Map的预期大小值，将Map调整的足够大，则可以大大减少甚至不需要重新调整大小，这很有可能会提高速度。下面是HashMap调整容器大小的过程，通过下面的代码可以看到其扩容过程的复杂性：
1 void resize(int newCapacity) {
2 Entry[] oldTable = table; //原始容器
3 int oldCapacity = oldTable.length; //原始容器大小
4 if (oldCapacity == MAXIMUM_CAPACITY) { //是否超过最大值：1073741824
5 threshold = Integer.MAX_VALUE;
6 return;
7 }
8
9 //新的数组：大小为 oldCapacity * 2
10 Entry[] newTable = new Entry[newCapacity];
11 transfer(newTable, initHashSeedAsNeeded(newCapacity));
12 table = newTable;
13 /*
14 * 重新计算阀值 = newCapacity * loadFactor > MAXIMUM_CAPACITY + 1 ?
15 * newCapacity * loadFactor :MAXIMUM_CAPACITY + 1
16 */
17 threshold = (int)Math.min(newCapacity * loadFactor, MAXIMUM_CAPACITY + 1);
18 }
19
20 //将元素插入到新数组中
21 void transfer(Entry[] newTable, boolean rehash) {
22 int newCapacity = newTable.length;
23 for (Entry<K,V> e : table) {
24 while(null != e) {
25 Entry<K,V> next = e.next;
26 if (rehash) {
27 e.hash = null == e.key ? 0 : hash(e.key);
28 }
29 int i = indexFor(e.hash, newCapacity);
30 e.next = newTable[i];
31 newTable[i] = e;
32 e = next;
33 }
34 }
35 }
3.2 负载因子
为了确认何时需要调整Map容器，Map使用了一个额外的参数并且粗略计算存储容器的密度。在Map调整大小之前，使用”负载因子”来指示Map将会承担的“负载量”，也就是它的负载程度，当容器中元素的数量达到了这个“负载量”，则Map将会进行扩容操作。
负载因子、容量、Map大小之间的关系如下：
负载因子 * 容量 > map大小 ----->调整Map大小。
例如：如果负载因子大小为0.75（HashMap的默认值），默认容量为11，则 11 * 0.75 = 8.25 = 8，所以当我们容器中插入第八个元素的时候，Map就会调整大小。
负载因子本身就是在控件和时间之间的折衷。当我使用较小的负载因子时，虽然降低了冲突的可能性，使得单个链表的长度减小了，加快了访问和更新的速度，但是它占用了更多的控件，使得数组中的大部分控件没有得到利用，元素分布比较稀疏，同时由于Map频繁的调整大小，可能会降低性能。但是如果负载因子过大，会使得元素分布比较紧凑，导致产生冲突的可能性加大，从而访问、更新速度较慢。所以一般推荐不更改负载因子的值，采用默认值0.75.
