一、背景

容器是Java编程中使用频率很高的组件，但Java默认提供的基本容器（ArrayList，HashMap等）均不是线程安全的。当容器和多线程并发编程相遇时，程序员又该何去何从呢？

通常有两种选择：

1、使用synchronized关键字，将对容器的操作有序错开，确保同一时刻对同一个容器只存在一个操作。Vector，HashTable等封装后的容器本质也是这种解决思路，只不过synchronized关键字不需要我们来书写而已。

2、使用java.util.concurrent包下提供的并发容器。比如常见的ConcurrentHashMap、CopyOnWriteArrayList等。

第一种选择的优点是上手快，简单直接，易于调试，如果不考虑性能的话，几乎没有任何使用场景的限制，可以保证数据操作的强一致性；那么它的缺点也是很明显的，由于每次对容器的操作都锁住了整个容器，如果对容器进行高并发的操作，将导致操作性能急剧下降。

第二种选择的优点是concurrent包下的并发容器通常都做了性能上的高度优化，能保障高并发场景下的操作性能；但缺点是这些容器的背后实现原理相对复杂，而且对使用场景有一定限制，一般只能保证数据操作的弱一致性。

本文将重点介绍并发容器背后的典型设计思路与实现原理，读者了解了这些实现思路后，也可以更好的理解并发容器的使用场景的限制。

二、ConcurrentHashMap的设计理念

关于ConcurrentHashMap的实现原理，在JDK1.8与JDK1.8之前有不同的实现，关于它们具体的实现细节网上已经有很多优秀的文章进行介绍，比如：

1、

2、

3、

此处便不在赘述了。

本文重点用简洁易懂的语言带领读者快速掌握ConcurrentHashMap在JDK1.8中高并发实现的原理。

2.1 普通HashMap实现原理回顾

首先我们简单回顾一下普通HashMap的实现原理。

 

 

 如上图所示，我们将Map中储存的每一个Entry抽象为一个Node。Node根据其Key值Hash取余后，映射到Table（一个Node数组）的某一个槽位上进行储存。如果出现Hash冲突（即两个Node的Key值Hash取余结果相同），则以链表的形式在出现冲突的Table槽位上继续追加Node。如果某一个槽位以链表的形式储存了过多的Node（8个以上），则将链表转换为红黑树储存，避免查询Node时对长链表的遍历，以降低查询Node的时间复杂度。当Map中容纳的Node总数大于Table长度乘以加载因子factor（默认0.75）时，Map会将Table成倍扩容，以减少Hash冲突的概率。

2.2 ConcurrentHashMap并发优化思路一：尽量减少锁的范围（锁分段）

传统的HashTable之所以并发性能很差，原因在于锁的范围过大，更新任何一个数据，都要将全Map锁住。

其实中HashMap的实现原理不难看出，HashMap本身天然就呈现出边界清晰的分段储存特性，即每一个Table中的一个槽位，即可认为是一个储存段。那么，如果我们将锁的精度精确到每一个储存段，就可以实现更新每一个数据，只会对与该数据相关的局部数据段加锁。而每个储存段的头结点，即可作为加锁对象。

JDK1.8中的核心源码如下：

Node
     
       f;f = tabAt(tab, i = (n - 1) & hash); //取出Tab指定槽中的头结点synchronized (f) { //对这个头结点加锁 //... ...}
     

如果某个槽位中尚不存在任何头结点（即头结点为null），此时我们不能对null进行加锁，又如何规避该槽位首次插入Node时可能遭遇的并发冲突呢？

可以使用CAS（Compare And Swap（Set））进行Node的首次插入。CAS的核心原理是更新某个数据前，检查该数据的值是否还是之前获取得到的旧值，如果是则说明该值还没有被其他线程修改，可以直接修改为新值，否则则说明该值已经被其他线程修改了，则设置失败。检查旧值是否被修改与设置新值这两步操作由CPU提供的单指令直接完成，保证原子性。

使用CAS技术加上CAS失败后的不断重试，即可实现无锁化更新数据。毕竟CAS失败的概率很低，不断重试也不会占用过多CPU。（乐观锁与自旋锁的理念）

JDK1.8中的核心源码如下：

for (Node
     
      [] tab = table; ; ) {     if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {        if (casTabAt(tab, i, null,                new Node
      
       (hash, key, value, null)))            break; //CAS失败则跳出循环，开始下一次循环，重新读取头结点    }}
      
     

2.3 ConcurrentHaspMap并发优化思路二：只对更新加锁，读不加锁 （弱一致性）

ConcurrentHashMap的读操作都是不加锁的。可以保证的是，读取某一个指定key的值时可以读取到最近一次更新完成的结果。更标准的说法是，上一次对keyA的更新结果happens-before后续对keyA的读取操作。

注：happens-before是jvm用来定义两个action之间（acitonA和actionB）的偏序关系，从而明确在CPU允许重排序的情况下，actionA发生的结果是一定要对后续发生的actionB可见的。

由于读操作不加锁，读操作可能会与其他线程的写操作重叠，ConcurrentHashMap可能会读取到其他线程写操作的中间状态。比如putAll在执行过程中有并发的get操作，那么get操作可能只会读取到插入的部分数据，同时并发的size操作的返回结果也是不准确的，只可用于估算类业务，不可用于精准的控制流程判断。再比如使用迭代器遍历Map时，另外一个线程正在删除Map，那么在读取过程中碰巧还没有被删除的数据会被读取到，而已经被删除的数据不会被读取到（不会抛出ConcurrentModificationException）。

三、CopyOnWriteArrayList的设计理念

3.1 CopyOnWriteArrayList并发优化思路：写时复制与弱一致性

所谓写时复制，即任何要改变CopyOnWriteArrayList的操作（add、set等），其内部实现都是深拷贝一份CopyOnWriteArrayList的底层数组，然后在深拷贝的副本上进行数据的修改。修改完成后，再用新的副本与替换原来的CopyOnWriteArrayList底层数组。

JDK1.8中的核心代码如下：

public boolean add(E e) {    final ReentrantLock lock = this.lock;    lock.lock();    try {        Object[] elements = getArray();        int len = elements.length;        Object[] newElements = Arrays.copyOf(elements, len + 1); //深拷贝底层数组        newElements[len] = e; //在副本上进行修改        setArray(newElements); //修改完成后用副本替换底层数组        return true;    } finally {        lock.unlock();    }}

写时复制的好处是，任何的读操作都不用加锁，而且保证读取到的是读那一刻List完整的快照数据。比如当CopyOnWriteArrayList的迭代器创建后，无论List本身如何变化，迭代器能感知到的都是它在被创建那一刻时List的状态，任何其他线程对List的改变，对本迭代器都不可见。不会出现ConcurrentHashMap的迭代器可能读取到其他线程修改过程中容器的中间状态的情况。由于CopyOnWriteArrayList读操作无法感知最新正在变化的数据，所以CopyOnWriteArrayList也是弱一致性的。

CopyOnWriteArrayList可以保证的是，读操作可以读取到最近一次更新完成的结果。

写时复制技术因为每次修改都需要完整拷贝一次底层数组，所以有额外的性能开销，但是特别适用于读多写少的数据访问场景。

四、总结

1、ConcurrentHashMap和CopyOnWriteArrayList都是无锁化的读取，所以读操作发生时无法确保目前所有其他线程的写操作已经完成，不可用于要求数据强一致性的场景。

2、ConcurrentHashMap和CopyOnWriteArrayList都可以保证读取时可以感知到已经完成的写操作。

3、ConcurrentHashMap读操作可能会感知到同一时刻其他线程对容器写操作的中间状态。CopyOnWriteArrayList永远只会读取到容器在读取时刻的快照状态。

4、ConcurrentHashMap使用锁分段技术，缩小锁的范围，提高写的并发量。CopyOnWriteArrayList使用写时复制技术，保证并发写入数据时，不会对已经开启的读操作造成干扰。

5、ConcurrentHashMap适用于高并发下对数据访问没有强一致性需求的场景。CopyOnWriteArrayList适用于高并发下能够容忍只读取到历史快照数据，且读多写少的场景。