交通部公安部对网约车司机进行背景核查,大家

来源:http://www.027kmyj.com 作者:互联网 人气:133 发布时间:2019-10-25
摘要:原标题:交通部公安部对网约车司机进行背景核查,网友:早干嘛去了? 原标题:Map 大家族的那点事儿 ( 4 ) :HashMap 原标题:36氪首发 | 将眼镜做成一门快时尚生意,LOHO 获近亿美元融

原标题:交通部公安部对网约车司机进行背景核查,网友:早干嘛去了?

原标题:Map 大家族的那点事儿 ( 4 ) :HashMap

原标题:36氪首发 | 将眼镜做成一门快时尚生意,LOHO 获近亿美元融资

随着互联网的出现,互联网与智能手机完美结合,给我们的生活带来了很多便利,前有网上购物,后有移动支付,再到后来结合线下实体带来了共享经济中的共享单车,让我们的出行更加便利。说到出行,一直都在舆论大海中的网约车成为了现在最便利的出行方式。

来源:SylvanasSun's Blog ,

36氪获悉,时尚眼镜品牌 LOHO 近日已经完成了近 1 亿美元 C 轮融资,本轮融资由大钲资本投资,将主要用于供应链建设和品牌推广。此前,LOHO 已经完成了 3 轮融资,投资机构包括祥峰投资、红杉中国和 KTB 投资等。

进入2018年之后,滴滴司机出现多起“安全出轨”事件,滴滴平台也因此成为被声讨的对象。也正因为如此,滴滴开始大范围整改,先是永久关闭了顺风车平台,其次进入9月份之后,滴滴在乘客端和司机端都加入了一键报警功能。

HashMap

LOHO 的创始人及 CEO 黄心仲告诉 36氪,整体来看,由于创立初期就从供应链着手进行整合,目前 LOHO 已经形成了自己的竞争壁垒,而接下来团队的重点将放在产品研发和品牌建设上。

但这些从滴滴等网约车自身做出的变革似乎依然只停留在皮毛阶段,为了进一步确保乘客的出行安全," 交通运输部 " 微信公号 9 月 10 日发布消息:近期,网络预约出租汽车(简称网约车)非法营运、私人小客车合乘(也称顺风车、拼车)恶性刑事案件屡有发生,特别是郑州、温州滴滴顺风车司机杀人案件受到社会广泛关注,严重危害人民群众生命财产安全,影响社会稳定和行业健康有序发展。为贯彻落实国务院关于加强交通运输新业态协同监管的统一部署,强化监管责任落实,堵住安全风险隐患,现就进一步加强网络预约出租汽车和私人小客车合乘安全管理有关事项发布紧急《通知》。

光从名字上应该也能猜到,HashMap肯定是基于hash算法实现的,这种基于hash实现的map叫做散列表(hash table)。

创立于 2012 年的 LOHO 定位于“互联网+时尚”的眼镜企业,“线上+线下”同步走是 LOHO 的运营逻辑:线上整合流量,线下负责承接流量、提供体验服务

图片 1

散列表中维护了一个数组,数组的每一个元素被称为一个桶(bucket),当你传入一个key

"a"进行查询时,散列表会先把key传入散列(hash)函数中进行寻址,得到的结果就是数组的下标,然后再通过这个下标访问数组即可得到相关联的值。

图片 2

我们都知道数组中数据的组织方式是线性的,它会直接分配一串连续的内存地址序列,要找到一个元素只需要根据下标来计算地址的偏移量即可(查找一个元素的起始地址为:数组的起始地址加上下标乘以该元素类型占用的地址大小)。因此散列表在理想的情况下,各种操作的时间复杂度只有O(1),这甚至超过了二叉查找树,虽然理想的情况并不总是满足的,关于这点之后我们还会提及。

为什么是hash?

hash算法是一种可以从任何数据中提取出其“指纹”的数据摘要算法,它将任意大小的数据(输入)映射到一个固定大小的序列(输出)上,这个序列被称为hash code、数据摘要或者指纹。比较出名的hash算法有MD5、SHA。

图片 3

hash是具有唯一性且不可逆的,唯一性指的是相同的输入产生的hash code永远是一样的,而不可逆也比较容易理解,数据摘要算法并不是压缩算法,它只是生成了一个该数据的摘要,没有将数据进行压缩。压缩算法一般都是使用一种更节省空间的编码规则将数据重新编码,解压缩只需要按着编码规则解码就是了,试想一下,一个几百MB甚至几GB的数据生成的hash code都只是一个拥有固定长度的序列,如果再能逆向解压缩,那么其他压缩算法该情何以堪?

我们上述讨论的仅仅是在密码学中的hash算法,而在散列表中所需要的散列函数是要能够将key寻址到buckets中的一个位置,散列函数的实现影响到整个散列表的性能。

一个完美的散列函数要能够做到均匀地将key分布到buckets中,每一个key分配到一个bucket,但这是不可能的。虽然hash算法具有唯一性,但同时它还具有重复性,唯一性保证了相同输入的输出是一致的,却没有保证不同输入的输出是不一致的,也就是说,完全有可能两个不同的key被分配到了同一个bucket(因为它们的hash code可能是相同的),这叫做碰撞冲突。总之,理想很丰满,现实很骨感,散列函数只能尽可能地减少冲突,没有办法完全消除冲突。

散列函数的实现方法非常多,一个优秀的散列函数要看它能不能将key分布均匀。首先介绍一种最简单的方法:除留余数法,先对key进行hash得到它的hash code,然后再用该hash code对buckets数组的元素数量取余,得到的结果就是bucket的下标,这种方法简单高效,也可以当做对集群进行负载均衡的路由算法。

private int hash(Key key) {

// & 0x7fffffff 是为了屏蔽符号位,M为bucket数组的长度

return (key.hashCode() & 0x7fffffff) % M;

}

要注意一点,只有整数才能进行取余运算,如果hash code是一个字符串或别的类型,那么你需要将它转换为整数才能使用除留余数法,不过Java在Object对象中提供了hashCode()函数,该函数返回了一个int值,所以任何你想要放入HashMap的自定义的抽象数据类型,都必须实现该函数和equals()函数,这两个函数之间也遵守着一种约定:如果a.equals(b) == true,那么a与b的hashCode()也必须是相同的。

下面为String类的hashCode()函数,它先遍历了内部的字符数组,然后在每一次循环中计算hash code(将hash code乘以一个素数并加上当前循环项的字符):

/** The value is used for character storage. */

private final char value[];

/** Cache the hash code for the string */

private int hash; // Default to 0

public int hashCode() {

int h = hash;

if (h == 0 && value.length > 0) {

char val[] = value;

for (int i = 0; i < value.length; i++) {

h = 31 * h + val[i];

}

hash = h;

}

return h;

}

HashMap没有采用这么简单的方法,有一个原因是HashMap中的buckets数组的长度永远为一个2的幂,而不是一个素数,如果长度为素数,那么可能会更适合简单暴力的除留余数法(当然除留余数法虽然简单却并不是那么高效的),顺便一提,时代的眼泪Hashtable就使用了除留余数法,它没有强制约束buckets数组的长度。

HashMap在内部实现了一个hash()函数,首先要对hashCode()的返回值进行处理:

static final int hash(Object key) {

int h;

return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);

}

该函数将key.hashCode()的低16位和高16位做了个异或运算,其目的是为了扰乱低位的信息以实现减少碰撞冲突。之后还需要把hash()的返回值与table.length

  • 1做与运算(table为buckets数组),得到的结果即是数组的下标。

table.length -

图片 4

其中对于加强网约车和顺风车平台驾驶员背景核查做了详细要求,各地交通运输主管部门、公安机关要严格按照《交通运输部办公厅公安部办公厅关于切实做好出租汽车驾驶员背景核查与监管等有关工作的通知》(交办运〔2018〕32 号)要求,对从事或申请从事网约车服务的驾驶员一律进行背景核查,确保网约车驾驶员符合《出租汽车驾驶员从业资格管理规定》(交通运输部令 2016 年第 63 号)规定的条件。私人小客车合乘信息服务平台要参照出租汽车驾驶员背景核查和监管有关要求,对从事或申请从事私人小客车合乘服务的驾驶员一律进行背景核查。要对现有网约车和私人小客车合乘服务的驾驶员进行一次全面清理,2018 年 12 月 31 日前全面清退不符合条件的车辆和驾驶员,并基本实现网约车平台公司、车辆和驾驶员合规化。

1就像是一个低位掩码(这个设计也优化了扩容操作的性能),它和hash()做与操作时必然会将高位屏蔽(因为一个HashMap不可能有特别大的buckets数组,至少在不断自动扩容之前是不可能的,所以table.length

1的大部分高位都为0),只保留低位,看似没什么毛病,但这其实暗藏玄机,它会导致总是只有最低的几位是有效的,这样就算你的hashCode()实现得再好也难以避免发生碰撞。这时,hash()函数的价值就体现出来了,它对hash code的低位添加了随机性并且混合了高位的部分特征,显著减少了碰撞冲突的发生(关于hash()函数的效果如何,可以参考这篇文章An introduction to optimising a hashing strategy)。

HashMap的散列函数具体流程如下图:

图片 5

解决冲突

在上文中我们已经多次提到碰撞冲突,但是散列函数不可能是完美的,key分布完全均匀的情况是不存在的,所以碰撞冲突总是难以避免。

那么发生碰撞冲突时怎么办?总不能丢弃数据吧?必须要有一种合理的方法来解决这个问题,HashMap使用了叫做分离链接(Separate chaining,也有人翻译成拉链法)的策略来解决冲突。它的主要思想是每个bucket都应当是一个互相独立的数据结构,当发生冲突时,只需要把数据放入bucket中(因为bucket本身也是一个可以存放数据的数据结构),这样查询一个key所消耗的时间为访问bucket所消耗的时间加上在bucket中查找的时间。

HashMap的buckets数组其实就是一个链表数组,在发生冲突时只需要把Entry(还记得Entry吗?HashMap的Entry实现就是一个简单的链表节点,它包含了key和value以及hash code)放到链表的尾部,如果未发生冲突(位于该下标的bucket为null),那么就把该Entry做为链表的头部。而且HashMap还使用了Lazy策略,buckets数组只会在第一次调用put()函数时进行初始化,这是一种防止内存浪费的做法,像ArrayList也是Lazy的,它在第一次调用add()时才会初始化内部的数组。

图片 6

不过链表虽然实现简单,但是在查找的效率上只有O(n),而且我们大部分的操作都是在进行查找,在hashCode()设计的不是非常良好的情况下,碰撞冲突可能会频繁发生,链表也会变得越来越长,这个效率是非常差的。Java 8对其实现了优化,链表的节点数量在到达阈值时会转化为红黑树,这样查找所需的时间就只有O(log n)了,阈值的定义如下:

/**

* The bin count threshold for using a tree rather than list for a

* bin. Bins are converted to trees when adding an element to a

* bin with at least this many nodes. The value must be greater

* than 2 and should be at least 8 to mesh with assumptions in

* tree removal about conversion back to plain bins upon

* shrinkage.

*/

static final int TREEIFY_THRESHOLD = 8;

如果在插入Entry时发现一条链表超过阈值,就会执行以下的操作,对该链表进行树化;相对的,如果在删除Entry(或进行扩容)时发现红黑树的节点太少(根据阈值UNTREEIFY_THRESHOLD),也会把红黑树退化成链表。

/**

* 替换指定hash所处位置的链表中的所有节点为TreeNode,

* 如果buckets数组太小,就进行扩容。

*/

final void treeifyBin(Node<K,V>[] tab, int hash) {

int n, index; Node<K,V> e;

// MIN_TREEIFY_CAPACITY = 64,小于该值代表数组中的节点并不是很多

// 所以选择进行扩容,只有数组长度大于该值时才会进行树化。

if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY)

resize();

else if ((e = tab[index = (n - 1) & hash]) != null) {

TreeNode<K,V> hd = null, tl = null;

// 转换链表节点为树节点,注意要处理好连接关系

do {

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)

hd.treeify(tab); // 从头部开始构造树

}

}

// 该函数定义在TreeNode中

final void treeify(Node<K,V>[] tab) {

TreeNode<K,V> root = null;

for (TreeNode<K,V> x = this, next; x != null; x = next) {

next = (TreeNode<K,V>)x.next;

x.left = x.right = null;

if (root == null) { // 初始化root节点

x.parent = null;

x.red = false;

root = x;

}

else {

K k = x.key;

int h = x.hash;

Class<?> kc = null;

for (TreeNode<K,V> p = root;;) {

int dir, ph;

K pk = p.key;

// 确定节点的方向

if ((ph = p.hash) > h)

dir = -1;

else if (ph < h)

dir = 1;

// 如果kc == null

// 并且k没有实现Comparable接口

// 或者k与pk是没有可比较性的(类型不同)

// 或者k与pk是相等的(返回0也有可能是相等)

else if ((kc == null &&

(kc = comparableClassFor(k)) == null) ||

(dir = compareComparables(kc, k, pk)) == 0)

dir = tieBreakOrder(k, pk);

// 确定方向后插入节点,修正红黑树的平衡

TreeNode<K,V> xp = p;

if ((p = (dir <= 0) ? p.left : p.right) == null) {

x.parent = xp;

if (dir <= 0)

xp.left = x;

else

xp.right = x;

root = balanceInsertion(root, x);

break;

}

}

}

}

// 确保给定的root是该bucket中的第一个节点

moveRootToFront(tab, root);

}

static int tieBreakOrder(Object a, Object b) {

int d;

if (a == null || b == null ||

(d = a.getClass().getName().

compareTo(b.getClass().getName())) == 0)

// System.identityHashCode()将调用并返回传入对象的默认hashCode()

// 也就是说,无论是否重写了hashCode(),都将调用Object.hashCode()。

// 如果传入的对象是null,那么就返回0

d = (System.identityHashCode(a) <= System.identityHashCode(b) ?

-1 : 1);

return d;

}

解决碰撞冲突的另一种策略叫做开放寻址法(Open addressing),它与分离链接法的思想截然不同。在开放寻址法中,所有Entry都会存储在buckets数组,一个明显的区别是,分离链接法中的每个bucket都是一个链表或其他的数据结构,而开放寻址法中的每个bucket就仅仅只是Entry本身。

开放寻址法是基于数组中的空位来解决冲突的,它的想法很简单,与其使用链表等数据结构,不如直接在数组中留出空位来当做一个标记,反正都要占用额外的内存。

当你查找一个key的时候,首先会从起始位置(通过散列函数计算出的数组索引)开始,不断检查当前bucket是否为目标Entry(通过比较key来判断),如果当前bucket不是目标Entry,那么就向后查找(查找的间隔取决于实现),直到碰见一个空位(null),这代表你想要找的key不存在。

如果你想要put一个全新的Entry(Map中没有这个key存在),依然会从起始位置开始进行查找,如果起始位置不是空的,则代表发生了碰撞冲突,只好不断向后查找,直到发现一个空位。

开放寻址法的名字也是来源于此,一个Entry的位置并不是完全由hash值决定的,所以也叫做Closed hashing,相对的,分离链接法也被称为Open hashing或Closed addressing。

根据向后探测(查找)的算法不同,开放寻址法有多种不同的实现,我们介绍一种最简单的算法:线性探测法(Linear probing),在发生碰撞时,简单地将索引加一,如果到达了数组的尾部就折回到数组的头部,直到找到目标或一个空位。

图片 7

基于线性探测法的查找操作如下:

private K[] keys; // 存储key的数组

private V[] vals; // 存储值的数组

public V get(K key) {

// m是buckets数组的长度,即keys和vals的长度。

// 当i等于m时,取模运算会得0(折回数组头部)

for (int i = hash(key); keys[i] != null; i = (i + 1) % m) {

if (keys[i].equals(key))

return vals[i];

}

return null;

}

插入操作稍微麻烦一些,需要在插入之前判断当前数组的剩余容量,然后决定是否扩容。数组的剩余容量越多,代表Entry之间的间隔越大以及越早碰见空位(向后探测的次数就越少),效率自然就会变高。代价就是额外消耗的内存较多,这也是在用空间换取时间。

public void put(K key, V value) {

// n是Entry的数量,如果n超过了数组长度的一半,就扩容一倍

if (n >= m / 2) resize(2 * m);

int i;

for (i = hash(key); keys[i] != null; i = (i + 1) % m) {

if (keys[i].equals(key)) {

vals[i] = value;

return;

}

}

// 没有找到目标,那么就插入一对新的Entry

keys[i] = key;

vals[i] = value;

n++;

}

接下来是删除操作,需要注意一点,我们不能简单地把目标key所在的位置(keys和vals数组)设置为null,这样会导致此位置之后的Entry无法被探测到,所以需要将目标右侧的所有Entry重新插入到散列表中:

public V delete(K key) {

int i = hash(key);

// 先找到目标的索引

while (!key.equals(keys[i])) {

i = (i + 1) % m;

}

V oldValue = vals[i];

// 删除目标key和value

keys[i] = null;

vals[i] = null;

// 指针移动到下一个索引

i = (i + 1) % m;

while (keys[i] != null) {

// 先删除然后重新插入

K keyToRehash = keys[i];

V valToRehash = vals[i];

keys[i] = null;

vals[i] = null;

n--;

put(keyToRehash, valToRehash);

i = (i + 1) % m;

}

n--;

// 当前Entry小于等于数组长度的八分之一时,进行缩容

if (n > 0 && n <= m / 8) resize(m / 2);

return oldValue;

}

动态扩容

散列表以数组的形式组织bucket,问题在于数组是静态分配的,为了保证查找的性能,需要在Entry数量大于一个临界值时进行扩容,否则就算散列函数的效果再好,也难免产生碰撞。

所谓扩容,其实就是用一个容量更大(在原容量上乘以二)的数组来替换掉当前的数组,这个过程需要把旧数组中的数据重新hash到新数组,所以扩容也能在一定程度上减缓碰撞。

HashMap通过负载因子(Load Factor)乘以buckets数组的长度来计算出临界值,算法:threshold = load_factor * capacity。比如,HashMap的默认初始容量为16(capacity = 16),默认负载因子为0.75(load_factor = 0.75),那么临界值就为threshold = 0.75 * 16 = 12,只要Entry的数量大于12,就会触发扩容操作。

还可以通过下列的构造函数来自定义负载因子,负载因子越小查找的性能就会越高,但同时额外占用的内存就会越多,如果没有特殊需要不建议修改默认值。

/**

* 可以发现构造函数中根本就没初始化buckets数组。

* (之前说过buckets数组会推迟到第一次调用put()时进行初始化)

*/

public HashMap(int initialCapacity, float loadFactor) {

if (initialCapacity < 0)

throw new IllegalArgumentException("Illegal initial capacity: " +

initialCapacity);

if (initialCapacity > MAXIMUM_CAPACITY)

initialCapacity = MAXIMUM_CAPACITY;

if (loadFactor <= 0 || Float.isNaN(loadFactor))

throw new IllegalArgumentException("Illegal load factor: " +

loadFactor);

this.loadFactor = loadFactor;

// tableSizeFor()确保initialCapacity必须为一个2的N次方

this.threshold = tableSizeFor(initialCapacity);

}

buckets数组的大小约束对于整个HashMap都至关重要,为了防止传入一个不是2次幂的整数,必须要有所防范。tableSizeFor()函数会尝试修正一个整数,并转换为离该整数最近的2次幂。

/**

* Returns a power of two size for the given target capacity.

*/

static final int tableSizeFor(int cap) {

int n = cap - 1;

n |= n >>> 1;

n |= n >>> 2;

n |= n >>> 4;

n |= n >>> 8;

n |= n >>> 16;

return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;

}

图片 8

还记得数组索引的计算方法吗?index = (table.length - 1) & hash,这其实是一种优化手段,由于数组的大小永远是一个2次幂,在扩容之后,一个元素的新索引要么是在原位置,要么就是在原位置加上扩容前的容量。这个方法的巧妙之处全在于&运算,之前提到过&运算只会关注n – 1(n = 数组长度)的有效位,当扩容之后,n的有效位相比之前会多增加一位(n会变成之前的二倍,所以确保数组长度永远是2次幂很重要),然后只需要判断hash在新增的有效位的位置是0还是1就可以算出新的索引位置,如果是0,那么索引没有发生变化,如果是1,索引就为原索引加上扩容前的容量。

图片 9

这样在每次扩容时都不用重新计算hash,省去了不少时间,而且新增有效位是0还是1是带有随机性的,之前两个碰撞的Entry又有可能在扩容时再次均匀地散布开。下面是resize()的源码:

final Node<K,V>[] resize() {

Node<K,V>[] oldTab = table; // table就是buckets数组

int oldCap = (oldTab == null) ? 0 : oldTab.length;

int oldThr = threshold;

int newCap, newThr = 0;

// oldCap大于0,进行扩容,设置阈值与新的容量

if (oldCap > 0) {

// 超过最大值不会进行扩容,并且把阈值设置成Interger.MAX_VALUE

if (oldCap >= MAXIMUM_CAPACITY) {

threshold = Integer.MAX_VALUE;

return oldTab;

}

// 没超过最大值,扩容为原来的2倍

// 向左移1位等价于乘2

else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&

oldCap >= DEFAULT_INITIAL_CAPACITY)

newThr = oldThr << 1; // double threshold

}

// oldCap = 0,oldThr大于0,那么就把阈值做为新容量以进行初始化

// 这种情况发生在用户调用了带有参数的构造函数(会对threshold进行初始化)

else if (oldThr > 0) // initial capacity was placed in threshold

newCap = oldThr;

// oldCap与oldThr都为0,这种情况发生在用户调用了无参构造函数

// 采用默认值进行初始化

else { // zero initial threshold signifies using defaults

newCap = DEFAULT_INITIAL_CAPACITY;

newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);

}

// 如果newThr还没有被赋值,那么就根据newCap计算出阈值

if (newThr == 0) {

float ft = (float)newCap * loadFactor;

newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?

(int)ft : Integer.MAX_VALUE);

}

threshold = newThr;

style="font-size: 16px;">@SuppressWarnings({"rawtypes","unchecked"})

Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];

table = newTab;

// 如果oldTab != null,代表这是扩容操作

// 需要将扩容前的数组数据迁移到新数组

if (oldTab != null) {

// 遍历oldTab的每一个bucket,然后移动到newTab

for (int j = 0; j < oldCap; ++j) {

Node<K,V> e;

if ((e = oldTab[j]) != null) {

oldTab[j] = null;

// 索引j的bucket只有一个Entry(未发生过碰撞)

// 直接移动到newTab

if (e.next == null)

newTab[e.hash & (newCap - 1)] = e;

// 如果是一个树节点(代表已经转换成红黑树了)

// 那么就将这个节点拆分为lower和upper两棵树

// 首先会对这个节点进行遍历

// 只要当前节点的hash & oldCap == 0就链接到lower树

// 注意这里是与oldCap进行与运算,而不是oldCap - 1(n - 1)

// oldCap就是扩容后新增有效位的掩码

// 比如oldCap=16,二进制10000,n-1 = 1111,扩容后的n-1 = 11111

// 只要hash & oldCap == 0,就代表hash的新增有效位为0

// 否则就链接到upper树(新增有效位为1)

// lower会被放入newTab[原索引j],upper树会被放到newTab[原索引j + oldCap]

// 如果lower或者upper树的节点少于阈值,会被退化成链表

else if (e instanceof TreeNode)

((TreeNode<K,V>)e).split(this, newTab, j, oldCap);

else { // preserve order

// 下面操作的逻辑与分裂树节点基本一致

// 只不过split()操作的是TreeNode

// 而且会将两条TreeNode链表组织成红黑树

Node<K,V> loHead = null, loTail = null;

Node<K,V> hiHead = null, hiTail = null;

Node<K,V> next;

do {

next = e.next;

if ((e.hash & oldCap) == 0) {

if (loTail == null)

loHead = e;

else

loTail.next = e;

loTail = e;

}

else {

if (hiTail == null)

hiHead = e;

else

hiTail.next = e;

hiTail = e;

}

} while ((e = next) != null);

if (loTail != null) {

loTail.next = null;

newTab[j] = loHead;

}

if (hiTail != null) {

hiTail.next = null;

newTab[j + oldCap] = hiHead;

}

}

}

}

}

return newTab;

}

使用HashMap时还需要注意一点,它不会动态地进行缩容,也就是说,你不应该保留一个已经删除过大量Entry的HashMap(如果不打算继续添加元素的话),此时它的buckets数组经过多次扩容已经变得非常大了,这会占用非常多的无用内存,这样做的好处是不用多次对数组进行扩容或缩容操作。不过一般也不会出现这种情况,如果遇见了,请毫不犹豫地丢掉它,或者把数据转移到一个新的HashMap。

添加元素

我们已经了解了HashMap的内部实现与工作原理,它在内部维护了一个数组,每一个key都会经过散列函数得出在数组的索引,如果两个key的索引相同,那么就使用分离链接法解决碰撞冲突,当Entry的数量大于临界值时,对数组进行扩容。

接下来以一个添加元素(put())的过程为例来梳理一下知识,下图是put()函数的流程图:

图片 10

然后是源码:

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;

// table == null or table.length == 0

// 第一次调用put(),初始化table

if ((tab = table) == null || (n = tab.length) == 0)

n = (tab = resize()).length;

// 没有发生碰撞,直接放入到数组

if ((p = tab[i = (n - 1) & hash]) == null)

tab[i] = newNode(hash, key, value, null);

else {

Node<K,V> e; K k;

// 发生碰撞(头节点就是目标节点)

if (p.hash == hash &&

((k = p.key) == key || (key != null && key.equals(k))))

e = p;

// 节点为红黑树

else if (p instanceof TreeNode)

e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);

// 节点为链表

else {

for (int binCount = 0; ; ++binCount) {

// 未找到目标节点,在链表尾部链接新节点

if ((e = p.next) == null) {

p.next = newNode(hash, key, value, null);

if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st

// 链表过长,转换为红黑树

treeifyBin(tab, hash);

break;

}

// 找到目标节点,退出循环

if (e.hash == hash &&

((k = e.key) == key || (key != null && key.equals(k))))

break;

p = e;

}

}

// 节点已存在,替换value

if (e != null) { // existing mapping for key

V oldValue = e.value;

if (!onlyIfAbsent || oldValue == null)

e.value = value;

// afterNodeXXXXX是提供给LinkedHashMap重写的函数

// 在HashMap中没有意义

afterNodeAccess(e);

return oldValue;

}

}

++modCount;

// 超过临界值,进行扩容

if (++size > threshold)

resize();

afterNodeInsertion(evict);

return null;

}

系列

【关于投稿】

如果大家有原创好文投稿,请直接给公号发送留言。返回搜狐,查看更多

责任编辑:

LOHO眼镜过往融资经历 (数据来源:鲸准)

很显然,两部门这是要从根本上剔除网约车的不安定因素,对不合规的司机进行全面清理,从源头上杜绝不安全因素的出现,不少网友看到通知后,愤愤不平的评论到:“早干嘛去了,非的等到出事了,才出来严管。”

黄心仲提到,在整合了供应链之后,如果只做线下这环,其实还是一个传统的眼镜零售故事,在效率上的提升并没有最大化。创立初期,团队从搜索入口等获取线上流量,最新的尝试则是从社交化流量入手,通过“裂变式”传播和口碑介绍来完成低成本获客。

本文由澳门新葡亰娱乐场平台官网发布于互联网,转载请注明出处:交通部公安部对网约车司机进行背景核查,大家

关键词:

最火资讯