9张图深入剖析ConcurrentHashMap

前言

在日常的开发中，我们经常使用key-value键值对的HashMap，其使用哈希表实现，用空间换取时间，提升查询性能

但在多线程的并发场景中，HashMap并不是线程安全的

如果想使用线程安全的，可以使用ConcurrentHashMap、HashTable、Collections.synchronizedMap等

但由于后面二者使用synchronized的粒度太大，因此一般不使用，而使用并发包中的ConcurrentHashMap

在ConcurrentHashMap中，使用volatile保证内存可见性，使得读场景下不需要“加锁”保证原子性

在写场景下使用CAS+synchronized，synchronized只锁哈希表某个索引位置上的首节点，相当于细粒度加锁，增大并发性能

本篇文章将从ConcurrentHashMap的使用，读、写、扩容的实现原理，设计思想等方面进行剖析

查看本文前需要了解哈希表、volatile、CAS、synchronized等知识

volatile可以查看这篇文章：5个案例和流程图让你从0到1搞懂volatile关键字

CAS、synchronized可以查看这篇文章：15000字、6个代码案例、5个原理图让你彻底搞懂Synchronized

使用ConcurrentHashMap

ConcurrentHashMap是并发场景下线程安全的Map，可以在并发场景下查询存储K、V键值对

不可变对象是绝对线程安全的，无论外界如何使用，都线程安全

ConcurrentHashMap并不是绝对线程安全的，只提供方法的线程安全，如果在外层使用错误依旧会导致线程不安全

来看下面的案例，使用value存储自增调用次数，开启10个线程每个执行100次，最终结果应该是1000次，但错误的使用导致不足1000

 public void test() { // Map<String, Integer> map = new HashMap(16); Map<String, Integer> map = new ConcurrentHashMap(16); String key = "key"; CountDownLatch countDownLatch = new CountDownLatch(10); for (int i = 0; i < 10; i++) { new Thread(() -> { for (int j = 0; j < 100; j++) { incr(map, key); // incrCompute(map, key); } countDownLatch.countDown(); }).start(); } try { //阻塞到线程跑完 countDownLatch.await(); } catch (InterruptedException e) { e.printStackTrace(); } //1000不到 System.out.println(map.get(key)); } private void incr(Map<String, Integer> map, String key) { map.put(key, map.getOrDefault(key, 0) + 1); } 

在自增方法incr中，先进行读操作，再计算，最后进行写操作，这种复合操作没有保证原子性，导致最终所有结果累加一定不为1000

正确的使用方式是使用JDK8提供的默认方法compute

ConcurrentHashMap实现compute的原理是在put中使用同步手段后再进行计算

 private void incrCompute(Map<String, Integer> map, String key) { map.compute(key, (k, v) -> Objects.isNull(v) ? 1 : v + 1); } 

数据结构

与HashMap类似，使用哈希表+链表/红黑树实现

哈希表

哈希表的实现由数组构成，当发生哈希冲突（哈希算法得到同一索引）时使用链地址法构建成链表

当链表上的节点太长，遍历寻找开销大，超过阈值时（链表节点超过8个、哈希表长度大于64），树化成红黑树减少遍历寻找开销，时间复杂度从O（n）优化为（log n）

ConcurrentHashMap由Node数组构成，在扩容时会存在新旧两个哈希表：table、nextTable

public class ConcurrentHashMap<K,V> extends AbstractMap<K,V> implements ConcurrentMap<K,V>, Serializable { //哈希表 node数组 transient volatile Node<K,V>[] table; //扩容时为了兼容读写，会存在两个哈希表，这个是新哈希表 private transient volatile Node<K,V>[] nextTable; // 默认为 0 // 当初始化时, 为 -1 // 当扩容时, 为 -(1 + 扩容线程数) // 当初始化或扩容完成后，为 下一次的扩容的阈值大小 private transient volatile int sizeCtl; //扩容时 用于指定迁移区间的下标 private transient volatile int transferIndex; //统计每个哈希槽中的元素数量 private transient volatile CounterCell[] counterCells; } 

节点

Node用于实现哈希表数组的节点和发生哈希冲突时，构建成链表的节点

//实现哈希表的节点，数组和链表时使用 static class Node<K,V> implements Map.Entry<K,V> { //节点哈希值 final int hash; final K key; volatile V val; //作为链表时的 后续指针 volatile Node<K,V> next; } // 扩容时如果某个 bin 迁移完毕, 用 ForwardingNode 作为旧 table bin 的头结点 static final class ForwardingNode<K,V> extends Node<K,V> {} // 用在 compute 以及 computeIfAbsent 时, 用来占位, 计算完成后替换为普通 Node static final class ReservationNode<K,V> extends Node<K,V> {} // 作为 treebin 的头节点, 存储 root 和 first static final class TreeBin<K,V> extends Node<K,V> {} // 作为 treebin 的节点, 存储 parent, left, right static final class TreeNode<K,V> extends Node<K,V> {} 

节点哈希值

//转发节点 static final int MOVED = -1; //红黑树在数组中的节点 static final int TREEBIN = -2; //占位节点 static final int RESERVED = -3; 

转发节点：继承Node，用于扩容时设置在旧哈希表某索引的首节点，遇到转发节点要去新哈希表中寻找

static final class ForwardingNode<K,V> extends Node<K,V> { //新哈希表 final Node<K,V>[] nextTable; ForwardingNode(Node<K,V>[] tab) { //哈希值设置为-1 super(MOVED, null, null, null); this.nextTable = tab; } } 

红黑树在数组中的节点 TreeBin：继承Node，first指向红黑树的首节点

static final class TreeBin<K,V> extends Node<K,V> { TreeNode<K,V> root; //红黑树首节点 volatile TreeNode<K,V> first; } 

红黑树节点TreeNode

static final class TreeNode<K,V> extends Node<K,V> { TreeNode<K,V> parent; TreeNode<K,V> left; TreeNode<K,V> right; TreeNode<K,V> prev; boolean red; } 

占位节点：继承Node，需要计算时（使用computer方法），先使用占位节点占位，计算完再构建节点取代占位节点

 static final class ReservationNode<K,V> extends Node<K,V> { ReservationNode() { super(RESERVED, null, null, null); } Node<K,V> find(int h, Object k) { return null; } } 

实现原理

构造

在构造时会检查入参，然后根据需要存储的数据容量、负载因子计算哈希表容量，最后将哈希表容量调整成2次幂

构造时并不会初始化，而是等到使用再进行创建（懒加载）

 public ConcurrentHashMap(int initialCapacity, float loadFactor, int concurrencyLevel) { //检查负载因子、初始容量 if (!(loadFactor > 0.0f) || initialCapacity < 0 || concurrencyLevel <= 0) throw new IllegalArgumentException(); //concurrencyLevel：1 if (initialCapacity < concurrencyLevel) // Use at least as many bins initialCapacity = concurrencyLevel; // as estimated threads //计算大小 = 容量/负载因子 向上取整 long size = (long)(1.0 + (long)initialCapacity / loadFactor); //如果超过最大值就使用最大值 //tableSizeFor 将大小调整为2次幂 int cap = (size >= (long)MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : tableSizeFor((int)size); //设置容量 this.sizeCtl = cap; } 

读-get

读场景使用volatile保证可见性，即使其他线程修改也是可见的，不用使用其他手段保证同步

读操作需要在哈希表中寻找元素，经过扰动算法打乱哈希值，再使用哈希值通过哈希算法得到索引，根据索引上的首节点分为多种情况处理

1. 扰动算法将哈希值充分打乱（避免造成太多的哈希冲突），符号位&0保证结果正数

   int h = spread(key.hashCode())

   扰动算法：哈希值高低16位异或运算

   经过扰动算法后，&HASH_BITS = 0x7fffffff （011111...），符号位为0保证结果为正数

   负数的哈希值表示特殊的作用，比如：转发节点、树的首节点、占位节点等

    static final int spread(int h) { return (h ^ (h >>> 16)) & HASH_BITS; } 

2. 使用打乱的哈希值经过哈希算法得到数组中的索引（下标）

   n 为哈希表长度：(n = tab.length)

   (e = tabAt(tab, (n - 1) & h)

   h为计算后的哈希值，哈希值%（哈希表长度-1） 就能求出索引位置

   为了性能提升，规定哈希表长度为2的n次幂，哈希表长度二进制一定是1000....，而(n-1)的二进制一定是0111...

   因此(n - 1) & h计算索引，进行与运算的结果一定在0~n-1之间 使用位运算提升性能

3. 得到数组上的节点后，需要进行比较

   找到哈希表上的首个节点后，进行比较key 查看是否是当前节点

   比较规则：先对哈希值进行比较，如果对象哈希值相同，那么可能是同一个对象，还需要比较key（==与equals），如果哈希值都不相同，那么肯定不是同一个对象

   先比较哈希值的好处就是提升查找性能，如果直接使用equals 可能时间复杂度会上升（比如String的equals）

4. 使用链地址法解决哈希冲突，因此找到节点后可能遍历链表或树；由于哈希表存在扩容，也可能要去新节点上寻找

   4.1 首节点比较成功，直接返回

   4.2 首节点哈希值为负，说明该节点是特殊情况的:转发节点、树的首节点 、计算的预订占位节点

   • 如果是转发节点，正在扩容则去新数组上找
   • 如果是TreeBin则去红黑树中寻找
   • 如果是占位节点 直接返回空

   4.3 遍历该链表依次比较

get代码

public V get(Object key) { Node<K,V>[] tab; Node<K,V> e, p; int n, eh; K ek; //1.spread：扰动算法 + 让key的哈希值不能为负数,因为负数哈希值代表红黑树或ForwardingNode int h = spread(key.hashCode()); //2.(n - 1) & h：下标、索引 实际上就是数组长度模哈希值 位运算效率更高 //e：哈希表中对应索引位置上的节点 if ((tab = table) != null && (n = tab.length) > 0 && (e = tabAt(tab, (n - 1) & h)) != null) { //3.如果哈希值相等,说明可能找到,再比较key if ((eh = e.hash) == h) { //4.1 key相等说明找到 返回 if ((ek = e.key) == key || (ek != null && key.equals(ek))) return e.val; } //4.2 首节点哈希值为负，说明该节点是转发节点，当前正在扩容则去新数组上找 else if (eh < 0) return (p = e.find(h, key)) != null ? p.val : null; //4.3 遍历该链表,能找到就返回值,不能返回null while ((e = e.next) != null) { if (e.hash == h && ((ek = e.key) == key || (ek != null && key.equals(ek)))) return e.val; } } return null; } 

写-put

添加元素时，使用CAS+synchronized（只锁住哈希表中某个首节点）的同步方式保证原子性

1. 获取哈希值：扰动算法+确保哈希值为正数
2. 哈希表为空，CAS保证一个线程初始化

 private final Node<K,V>[] initTable() { Node<K,V>[] tab; int sc; while ((tab = table) == null || tab.length == 0) { //小于0 说明其他线程在初始化 让出CPU时间片 后续初始化完退出 if ((sc = sizeCtl) < 0) Thread.yield(); else if (U.compareAndSwapInt(this, SIZECTL, sc, -1)) { //CAS将SIZECTL设置成-1 （表示有线程在初始化）成功后 初始化 try { if ((tab = table) == null || tab.length == 0) { int n = (sc > 0) ? sc : DEFAULT_CAPACITY; @SuppressWarnings("unchecked") Node<K,V>[] nt = (Node<K,V>[])new Node<?,?>[n]; table = tab = nt; sc = n - (n >>> 2); } } finally { sizeCtl = sc; } break; } } return tab; } 

3. 将哈希值通过哈希算法获取索引上的节点 f = tabAt(tab, i = (n - 1) & hash)

4. 根据不同情况进行处理

   • 4.1 首节点为空时，直接CAS往索引位置添加节点 casTabAt(tab, i, null,new Node<K,V>(hash, key, value, null))

   • 4.2 首节点hash为MOVED -1时，表示该节点是转发节点，说明正在扩容，帮助扩容

   • 4.3 首节点加锁

     • 4.3.1 遍历链表寻找并添加/覆盖

     • 4.3.2 遍历树寻找并添加/覆盖

5. addCount统计每个节点上的数据，并检查扩容

put代码

//onlyIfAbsent为true时,如果原来有k,v则这次不会覆盖 final V putVal(K key, V value, boolean onlyIfAbsent) { if (key == null || value == null) throw new NullPointerException(); //1.获取哈希值：扰动算法+确保哈希值为正数 int hash = spread(key.hashCode()); int binCount = 0; //乐观锁思想 CSA+失败重试 for (Node<K,V>[] tab = table;;) { Node<K,V> f; int n, i, fh; //2.哈希表为空 CAS保证只有一个线程初始化 if (tab == null || (n = tab.length) == 0) tab = initTable(); //3. 哈希算法求得索引找到索引上的首节点 //4.1 节点为空时,直接CAS构建节点 else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) { if (casTabAt(tab, i, null, new Node<K,V>(hash, key, value, null))) break; // no lock when adding to empty bin } //4.2 索引首节点hash 为MOVED 说明该节点是转发节点，当前正在扩容,去帮助扩容 else if ((fh = f.hash) == MOVED) tab = helpTransfer(tab, f); else { V oldVal = null; //4.3 首节点 加锁 synchronized (f) { //首节点没变 if (tabAt(tab, i) == f) { //首节点哈希值大于等于0 说明节点是链表上的节点 //4.3.1 遍历链表寻找然后添加/覆盖 if (fh >= 0) { //记录链表上有几个节点 binCount = 1; //遍历链表找到则替换,如果遍历完了还没找到就添加（尾插） for (Node<K,V> e = f;; ++binCount) { K ek; //替换 if (e.hash == hash && ((ek = e.key) == key || (ek != null && key.equals(ek)))) { oldVal = e.val; //onlyIfAbsent为false允许覆盖（使用xxIfAbsent方法时，有值就不覆盖） if (!onlyIfAbsent) e.val = value; break; } Node<K,V> pred = e; //添加 if ((e = e.next) == null) { pred.next = new Node<K,V>(hash, key, value, null); break; } } } //如果是红黑树首节点,则找到对应节点再覆盖 //4.3.2 遍历树寻找然后添加/覆盖 else if (f instanceof TreeBin) { Node<K,V> p; binCount = 2; //如果是添加返回null,返回不是null则出来添加 if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key, value)) != null) { oldVal = p.val; //覆盖 if (!onlyIfAbsent) p.val = value; } } } } if (binCount != 0) { if (binCount >= TREEIFY_THRESHOLD) //链表上的节点超过TREEIFY_THRESHOLD 8个（不算首节点） 并且 数组长度超过64才树化，否则扩容 treeifyBin(tab, i); if (oldVal != null) return oldVal; break; } } } //5.添加计数,用于统计元素（添加节点的情况） addCount(1L, binCount); return null; } 

扩容

为了避免频繁发生哈希冲突，当哈希表中的元素数量 / 哈希表长度 超过负载因子时，进行扩容（增大哈希表的长度）

一般来说扩容都是增大哈希表长度的2倍，比如从32到64保证长度是2次幂；如果扩容长度达到整型上限则使用整型最大值

当发生扩容时，需要将数组中每个槽里的链表或树迁移到新数组中

如果处理器是多核，那么这个迁移的操作并不是一个线程单独完成的，而是会让其他线程也来帮助迁移

在迁移时让每个线程从右往左的每次迁移多个槽，迁移完再判断是否全部迁移完，如果没迁移完则继续循环迁移

扩容操作主要在transfer方法中，扩容主要在三个场景下：

1. addCount：添加完节点增加计数检查扩容
2. helpTransfer：线程put时发现正在迁移，来帮忙扩容
3. tryPresize：尝试调整容量（批量添加putAll，树化数组长度没超过64时treeifyBin调用）

分为以下3个步骤

1. 根据CPU核数、哈希表总长度计算每次迁移多少个槽，最小16个

2. 新哈希表为空，说明是初始化

3. 循环迁移

   • 3.1 分配负责迁移的区间 [bround,i]（可能存在多线程同时迁移）

   • 3.2 迁移：分为链表迁移、树迁移

     链表迁移

     1. 将链表上的节点充分散列到新哈希表的index、index+旧哈希表长度的两个下标中（与HashMap类似）

     2. 将index位置链表中的节点 （hash & 哈希表长度），结果为0的放到新数组的index位置，结果为1放到新数组index+旧哈希表长度的位置

        比如旧哈希表长度为16，在索引3的位置上，16的二进制是10000，hash&16 => hash& 10000 ，也就是说节点哈希值第5位是0就放到新哈希表的3位置上，是1就放到新哈希表的3+16下标

     3. 使用头插法将计算结果为0构建成ln链表，为1构建成hn链表，为方便构建链表，会先寻找lastRun节点：lastRun节点及后续节点都为同一链表上的节点，方便迁移

        构建链表前先构建lastRun，比如图中lastRun e->f ，先将lastRun放到ln链表上，在遍历原始链表，遍历到a ：a->e->f，遍历到b：b->a->e->f

     4. 每迁移完一个索引位置就将转发节点设置到原哈希表对应位置，当其他线程进行读get操作时，根据转发节点来新哈希表中寻找，进行写put操作时，来帮助扩容（其他区间进行迁移）

扩容代码

//tab 旧哈希表 //nextTab 新哈希表 private final void transfer(Node<K,V>[] tab, Node<K,V>[] nextTab) { //1.计算每次迁移多少个槽 //n:哈希表长度（多少个槽） int n = tab.length, stride; //stride:每次负责迁移多少个槽 //NCPU: CPU核数 //如果是多核，每次迁移槽数 = 总槽数无符号右移3位（n/8）再除CPU核数 //每次最小迁移槽数 = MIN_TRANSFER_STRIDE = 16 if ((stride = (NCPU > 1) ? (n >>> 3) / NCPU : n) < MIN_TRANSFER_STRIDE) stride = MIN_TRANSFER_STRIDE; // subdivide range //2.如果新哈希表为空，说明是初始化 if (nextTab == null) { // initiating try { @SuppressWarnings("unchecked") Node<K,V>[] nt = (Node<K,V>[])new Node<?,?>[n << 1]; nextTab = nt; } catch (Throwable ex) { // try to cope with OOME sizeCtl = Integer.MAX_VALUE; return; } nextTable = nextTab; //transferIndex用于记录 每次负责迁移的槽右区间下标，从右往左分配，起始为最右 transferIndex = n; } //新哈希表长度 int nextn = nextTab.length; //创建转发节点，转发节点一般设置在旧哈希表首节点，通过转发节点可以找到新哈希表 ForwardingNode<K,V> fwd = new ForwardingNode<K,V>(nextTab); //advance:是否继续循环迁移 boolean advance = true; // boolean finishing = false; // to ensure sweep before committing nextTab //3.循环迁移 for (int i = 0, bound = 0;;) { Node<K,V> f; int fh; //3.1 分配负责迁移的区间 //bound为左区间 i为右区间 while (advance) { int nextIndex, nextBound; //处理完一个槽 右区间 自减 if (--i >= bound || finishing) advance = false; //transferIndex<=0说明 要迁移的区间全分配完 else if ((nextIndex = transferIndex) <= 0) { i = -1; advance = false; } //CAS设置本次迁移的区间，防止多线程分到相同区间 else if (U.compareAndSwapInt (this, TRANSFERINDEX, nextIndex, nextBound = (nextIndex > stride ? nextIndex - stride : 0))) { bound = nextBound; i = nextIndex - 1; advance = false; } } //3.2 迁移 //3.2.1 如果右区间i不再范围，说明迁移完 if (i < 0 || i >= n || i + n >= nextn) { int sc; //如果完成迁移，设置哈希表、数量 if (finishing) { nextTable = null; table = nextTab; sizeCtl = (n << 1) - (n >>> 1); return; } //CAS 将sizeCtl数量-1 表示 一个线程迁移完成 if (U.compareAndSwapInt(this, SIZECTL, sc = sizeCtl, sc - 1)) { //如果不是最后一条线程直接返回 if ((sc - 2) != resizeStamp(n) << RESIZE_STAMP_SHIFT) return; //是最后一条线程设置finishing为true 后面再循环 去设置哈希表、数量等操作 finishing = advance = true; i = n; // recheck before commit } } //3.2.2 如果旧哈希表i位置节点为空就CAS设置成转发节点 else if ((f = tabAt(tab, i)) == null) advance = casTabAt(tab, i, null, fwd); //3.2.3 如果旧哈希表该位置首节点是转发节点，说明其他线程已处理，重新循环 else if ((fh = f.hash) == MOVED) advance = true; // already processed else { //3.2.4 对首节点加锁 迁移 synchronized (f) { if (tabAt(tab, i) == f) { Node<K,V> ln, hn; //3.2.4.1 链表迁移 //首节点哈希值大于等于0 说明 是链表节点 if (fh >= 0) { int runBit = fh & n; Node<K,V> lastRun = f; //寻找lastRun节点 for (Node<K,V> p = f.next; p != null; p = p.next) { int b = p.hash & n; if (b != runBit) { runBit = b; lastRun = p; } } //如果最后一次计算值是0 //lastRun节点以及后续节点计算值都是0构建成ln链表 否则 都是1构建成hn链表 if (runBit == 0) { ln = lastRun; hn = null; } else { hn = lastRun; ln = null; } //遍历构建ln、hn链表 （头插） for (Node<K,V> p = f; p != lastRun; p = p.next) { int ph = p.hash; K pk = p.key; V pv = p.val; //头插：Node构造第四个参数是后继节点 if ((ph & n) == 0) ln = new Node<K,V>(ph, pk, pv, ln); else hn = new Node<K,V>(ph, pk, pv, hn); } //设置ln链表到i位置 setTabAt(nextTab, i, ln); //设置hn链表到i+n位置 setTabAt(nextTab, i + n, hn); //设置转发节点 setTabAt(tab, i, fwd); advance = true; } //3.2.4.2 树迁移 else if (f instanceof TreeBin) { TreeBin<K,V> t = (TreeBin<K,V>)f; TreeNode<K,V> lo = null, loTail = null; TreeNode<K,V> hi = null, hiTail = null; int lc = 0, hc = 0; for (Node<K,V> e = t.first; e != null; e = e.next) { int h = e.hash; TreeNode<K,V> p = new TreeNode<K,V> (h, e.key, e.val, null, null); if ((h & n) == 0) { if ((p.prev = loTail) == null) lo = p; else loTail.next = p; loTail = p; ++lc; } else { if ((p.prev = hiTail) == null) hi = p; else hiTail.next = p; hiTail = p; ++hc; } } ln = (lc <= UNTREEIFY_THRESHOLD) ? untreeify(lo) : (hc != 0) ? new TreeBin<K,V>(lo) : t; hn = (hc <= UNTREEIFY_THRESHOLD) ? untreeify(hi) : (lc != 0) ? new TreeBin<K,V>(hi) : t; setTabAt(nextTab, i, ln); setTabAt(nextTab, i + n, hn); setTabAt(tab, i, fwd); advance = true; } } } } } } 

实现原理并没有对红黑树进行太多描述，一方面是红黑树的概念太多，另一方面是我忘的差不多了（已经老了，不像大学那样可以手写红黑树了）

还有一方面是：我认为只需要知道使用红黑树的好处就足够，而且工作中也不常用，就算死扣红黑树要怎么变色、左旋、右旋去满足红黑树的条件也没什么意义，感兴趣的同学去学习就好了

迭代器

ConcurrentHashMap中的迭代器是弱一致性，在获取时使用记录的哈希表重新构建新对象

Entry迭代器：

public Iterator<Map.Entry<K,V>> iterator() { ConcurrentHashMap<K,V> m = map; Node<K,V>[] t; int f = (t = m.table) == null ? 0 : t.length; return new EntryIterator<K,V>(t, f, 0, f, m); } 

key迭代器

public Enumeration<K> keys() { Node<K,V>[] t; int f = (t = table) == null ? 0 : t.length; return new KeyIterator<K,V>(t, f, 0, f, this); } 

value迭代器

public Enumeration<V> elements() { Node<K,V>[] t; int f = (t = table) == null ? 0 : t.length; return new ValueIterator<K,V>(t, f, 0, f, this); } 

总结

ConcurrentHashMap使用哈希表的数据结构，当发生哈希冲突时，使用链地址法解决，将哈希到同一索引的节点构建成链表，当数据量达到一定阈值，会将链表转化为红黑树

ConcurrentHashMap使用volatile修饰存储数据，使得在读场景下对其他线程的修改可见，不需要使用同步机制，使用CAS与synchronzied保证写场景下的原子性

在get查询数据时，先将key的哈希值通过扰动算法（高低16位异或）并保证结果为正数（与上符号位0），再与上哈希表长度-1求出索引值，找到索引后再根据不同情况查找（比较先判断哈希值，相等再判断key）

在put添加/覆盖数据时，也是先通过扰动算法和哈希求出索引位置，在根据不同情况查找，找到则覆盖，找不到则替换

在需要扩容时，会为线程安排需要迁移的槽区间，当其他线程进行put时也会来帮忙迁移，每次线程迁移完一个槽，会设置转发节点到原哈希表中，这样有线程查询就可以通过转发节点来新哈希表中查找，当迁移完所有槽时留一个线程来设置哈希表、数量等

迭代器使用的是弱一致性，在获取迭代器时通过哈希表去构建新的对象

ConcurrentHashMap 只保证相对线程安全，不能保证绝对线程安全，如果需要进行一系列操作时，要正确的去使用

本文由博客一文多发平台 OpenWrite 发布！