阿里面试官:让我说说HashMap的循环?-阿里云开发者社区

开发者社区> 开发与运维> 正文

阿里面试官:让我说说HashMap的循环?

简介: 面试问我HashMap循环,我一口气给干了七种?

hashMap 应该是java程序员工作中用的比较多的一个键值对处理的数据的类型了。这种数据类型一般都会有增删查的方法,今天我们就来看看它的循环方法以前写过一篇关于ArrayList的循环效率问题《ArrayList哪种遍历效率最好,你真的弄明白了吗?》,感兴趣的同学可以去看看。hashMap 有常见的六七种遍历的方式。这么多的选择,大家平时都是使用哪一种来遍历数据列?欢迎大家在下方留言哦。说实话这么多种方式,想记也不记不住,也不想浪费时间来记这玩意,所以本人在JDK1.8以前基本上都是用Map.Entry的方式来遍历,1.8及以后就习惯性用forEach了,不过这个不能有continue或者break操作这个有时候还是挺不方便的,其他几种基本上没怎么用过,也没太研究这几种方式,哪种性能是比较好的。反正就是挑自己熟悉的方式。好了话不多说,我们还是直入今天的主题。先来看看每种遍历的方式:

在for循环中使用entries实现Map的遍历

public static void forEachEntries() {

    for (Map.Entry<String, String> entry : map.entrySet()) {
        String mapKey = entry.getKey();
        String mapValue = entry.getValue();
    }
}
在for循环中遍历key

public static void forEachKey() {

    for (String key : map.keySet()) {
        String mapKey = key;
        String mapValue = map.get(mapKey);
    }
}
在for循环中遍历value

public static void forEachValues() {

    for (String key : map.values()) {
        String val = key;
    }
}

Iterator遍历

public static void forEachIterator() {

    Iterator<Entry<String, String>> entries = map.entrySet().iterator();
    while (entries.hasNext()) {
        Entry<String, String> entry = entries.next();
        String key = entry.getKey();
        String value = entry.getValue();
    }
}

forEach jdk1.8遍历

public static void forEach() {

    map.forEach((key, val) -> {
        String key1 = key;
        String value = val;
    });
}

Stream jdk1.8遍历

map.entrySet().stream().forEach((entry) -> {

        String key = entry.getKey();
        String value = entry.getValue();
    });

Streamparallel jdk1.8遍历

public static void forEachStreamparallel() {

    map.entrySet().parallelStream().forEach((entry) -> {
        String key = entry.getKey();
        String value = entry.getValue();
    });
}

以上就是常见的对于map的一些遍历的方式,下面我们来写个测试用例来看下这些遍历方式,哪些是效率最好的。下面测试用例是基于JMH来测试的
首先引入pom

 <dependency>
        <groupId>org.openjdk.jmh</groupId>
        <artifactId>jmh-core</artifactId>
        <version>1.23</version>
    </dependency>
    <dependency>
        <groupId>org.openjdk.jmh</groupId>
        <artifactId>jmh-generator-annprocess</artifactId>
        <version>1.23</version>
        <scope>provided</scope>
    </dependency>

关于jmh测试如可能会影响结果的一些因素这里就不详细介绍了,可以参考文末的第一个链接写的非常详细。以及测试用例为什么要这么写(都是为了消除JIT对测试代码的影响)这是参照官网的链接
编写测试代码如下:

package com.workit.autoconfigure.autoconfigure.controller;

import org.openjdk.jmh.annotations.*;
import org.openjdk.jmh.infra.Blackhole;
import org.openjdk.jmh.results.format.ResultFormatType;
import org.openjdk.jmh.runner.Runner;
import org.openjdk.jmh.runner.RunnerException;
import org.openjdk.jmh.runner.options.Options;
import org.openjdk.jmh.runner.options.OptionsBuilder;

import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.UUID;
import java.util.concurrent.TimeUnit;

/**

  • @author:公众号: java金融
  • @Date:
  • @Description:微信搜一搜【java金融】回复666
    */

@State(Scope.Thread)
@Warmup(iterations = 5, time = 1, timeUnit = TimeUnit.SECONDS)
@Measurement(iterations = 5, time = 1, timeUnit = TimeUnit.SECONDS)
@Fork(1)
@BenchmarkMode(Mode.AverageTime)
@OutputTimeUnit(TimeUnit.NANOSECONDS)
public class InstructionsBenchmark {

public static void main(String[] args) throws RunnerException {
    Options opt = new OptionsBuilder().include(InstructionsBenchmark.class.getSimpleName()).result("result.json").resultFormat(ResultFormatType.JSON).build();
    new Runner(opt).run();
}

static final int BASE = 42;

static int add(int key,int val) {
  return  BASE + key +val;
}
@Param({"1", "10", "100", "1000","10000","100000"})
int size;
private static Map<Integer, Integer>  map;

// 初始化方法,在全部Benchmark运行之前进行
@Setup(Level.Trial)
public void init() {
    map = new HashMap<>(size);
    for (int i = 0; i < size; i++) {
        map.put(i, i);
    }
}
/**
 * 在for循环中使用entries实现Map的遍历:
 */
@Benchmark
public static void forEachEntries(Blackhole blackhole) {
    for (Map.Entry<Integer, Integer> entry : map.entrySet()) {
        Integer mapKey = entry.getKey();
        Integer mapValue = entry.getValue();
        blackhole.consume(add(mapKey,mapValue));
    }
}

/**
 * 在for循环中遍历key
 */
@Benchmark
public static StringBuffer forEachKey(Blackhole blackhole) {
    StringBuffer stringBuffer = new StringBuffer();
    for (Integer key : map.keySet()) {
      //  Integer mapValue = map.get(key);
        blackhole.consume(add(key,key));
    }
    return stringBuffer;
}

/**
 * 在for循环中遍历value
 */
@Benchmark
public static void forEachValues(Blackhole blackhole) {
    for (Integer key : map.values()) {
        blackhole.consume(add(key,key));
    }
}

/**
 * Iterator遍历;
 */
@Benchmark
public static void forEachIterator(Blackhole blackhole) {
    Iterator<Entry<Integer, Integer>> entries = map.entrySet().iterator();
    while (entries.hasNext()) {
        Entry<Integer, Integer> entry = entries.next();
        Integer key = entry.getKey();
        Integer value = entry.getValue();
        blackhole.consume(add(key,value));
    }
}

/**
 * forEach jdk1.8遍历
 */
@Benchmark
public static void forEachLamada(Blackhole blackhole) {
    map.forEach((key, value) -> {
        blackhole.consume(add(key,value));
    });

}

/**
 * forEach jdk1.8遍历
 */
@Benchmark
public static void forEachStream(Blackhole blackhole) {
    map.entrySet().stream().forEach((entry) -> {
        Integer key = entry.getKey();
        Integer value = entry.getValue();
        blackhole.consume(add(key,value));

    });
}

@Benchmark
public static void forEachStreamparallel(Blackhole blackhole) {
    map.entrySet().parallelStream().forEach((entry) -> {
        Integer key = entry.getKey();
        Integer value = entry.getValue();
        blackhole.consume(add(key,value));

    });
}

}

运行结果如下:
注:运行环境idea 2019.3,jdk1.8,windows7 64位。

Benchmark (size) Mode Cnt Score Error Units
InstructionsBenchmark.forEachEntries 1 avgt 5 10.021 ± 0.224 ns/op
InstructionsBenchmark.forEachEntries 10 avgt 5 71.709 ± 2.537 ns/op
InstructionsBenchmark.forEachEntries 100 avgt 5 738.873 ± 12.132 ns/op
InstructionsBenchmark.forEachEntries 1000 avgt 5 7804.431 ± 136.635 ns/op
InstructionsBenchmark.forEachEntries 10000 avgt 5 88540.345 ± 14915.682 ns/op
InstructionsBenchmark.forEachEntries 100000 avgt 5 1083347.001 ± 136865.960 ns/op
InstructionsBenchmark.forEachIterator 1 avgt 5 10.675 ± 2.532 ns/op
InstructionsBenchmark.forEachIterator 10 avgt 5 73.934 ± 4.517 ns/op
InstructionsBenchmark.forEachIterator 100 avgt 5 775.847 ± 198.806 ns/op
InstructionsBenchmark.forEachIterator 1000 avgt 5 8905.041 ± 1294.618 ns/op
InstructionsBenchmark.forEachIterator 10000 avgt 5 98686.478 ± 10944.570 ns/op
InstructionsBenchmark.forEachIterator 100000 avgt 5 1045309.216 ± 36957.608 ns/op
InstructionsBenchmark.forEachKey 1 avgt 5 18.478 ± 1.344 ns/op
InstructionsBenchmark.forEachKey 10 avgt 5 76.398 ± 12.179 ns/op
InstructionsBenchmark.forEachKey 100 avgt 5 768.507 ± 23.892 ns/op
InstructionsBenchmark.forEachKey 1000 avgt 5 11117.896 ± 1665.021 ns/op
InstructionsBenchmark.forEachKey 10000 avgt 5 84871.880 ± 12056.592 ns/op
InstructionsBenchmark.forEachKey 100000 avgt 5 1114948.566 ± 65582.709 ns/op
InstructionsBenchmark.forEachLamada 1 avgt 5 9.444 ± 0.607 ns/op
InstructionsBenchmark.forEachLamada 10 avgt 5 76.125 ± 5.640 ns/op
InstructionsBenchmark.forEachLamada 100 avgt 5 861.601 ± 98.045 ns/op
InstructionsBenchmark.forEachLamada 1000 avgt 5 7769.714 ± 1663.914 ns/op
InstructionsBenchmark.forEachLamada 10000 avgt 5 73250.238 ± 6032.161 ns/op
InstructionsBenchmark.forEachLamada 100000 avgt 5 836781.987 ± 72125.745 ns/op
InstructionsBenchmark.forEachStream 1 avgt 5 29.113 ± 3.275 ns/op
InstructionsBenchmark.forEachStream 10 avgt 5 117.951 ± 13.755 ns/op
InstructionsBenchmark.forEachStream 100 avgt 5 1064.767 ± 66.869 ns/op
InstructionsBenchmark.forEachStream 1000 avgt 5 9969.549 ± 342.483 ns/op
InstructionsBenchmark.forEachStream 10000 avgt 5 93154.061 ± 7638.122 ns/op
InstructionsBenchmark.forEachStream 100000 avgt 5 1113961.590 ± 218662.668 ns/op
InstructionsBenchmark.forEachStreamparallel 1 avgt 5 65.466 ± 5.519 ns/op
InstructionsBenchmark.forEachStreamparallel 10 avgt 5 2298.999 ± 721.455 ns/op
InstructionsBenchmark.forEachStreamparallel 100 avgt 5 8270.759 ± 1801.082 ns/op
InstructionsBenchmark.forEachStreamparallel 1000 avgt 5 16049.564 ± 1972.856 ns/op
InstructionsBenchmark.forEachStreamparallel 10000 avgt 5 69230.849 ± 12169.260 ns/op
InstructionsBenchmark.forEachStreamparallel 100000 avgt 5 638129.559 ± 14885.962 ns/op
InstructionsBenchmark.forEachValues 1 avgt 5 9.743 ± 2.770 ns/op
InstructionsBenchmark.forEachValues 10 avgt 5 70.761 ± 16.574 ns/op
InstructionsBenchmark.forEachValues 100 avgt 5 745.069 ± 329.548 ns/op
InstructionsBenchmark.forEachValues 1000 avgt 5 7772.584 ± 1702.295 ns/op
InstructionsBenchmark.forEachValues 10000 avgt 5 74063.468 ± 23752.678 ns/op
InstructionsBenchmark.forEachValues 100000 avgt 5 994057.370 ± 279310.867 ns/op

在这里插入图片描述
在这里插入图片描述

通过上述的图我们可以发现,数据量较小的时候forEachEntriesforEachIterator、以及lamada循环效率都差不多forEachStreamarallel的效率反而较低,只有当数据量达到10000以上parallelStream的优势就体现出来了。所以平时选择使用哪种循环方式的时候没必要太纠结哪一种方式,其实每种方式之间的效率还是微乎其微的。选择适合自己的就好。为什么parallelStream在数据量较小的时候效率反而不行?这个大家可以在下方留言哦。

总结

上面小实验只是在我机器上跑出来的结果,可能放到不同的机器运行结果有不一样哦,大家感兴趣的同学可以把代码贴到自己的机器上跑一跑,也许我这这个结论就不适用了。

结束

  • 由于自己才疏学浅,难免会有纰漏,假如你发现了错误的地方,还望留言给我指出来,我会对其加以修正。
  • 如果你觉得文章还不错,你的转发、分享、赞赏、点赞、留言就是对我最大的鼓励。
  • 感谢您的阅读,十分欢迎并感谢您的关注。
    在这里插入图片描述

巨人的肩膀摘苹果:
https://www.cnkirito.moe/java-jmh/
https://jmh.morethan.io/

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
开发与运维
使用钉钉扫一扫加入圈子
+ 订阅

集结各类场景实战经验,助你开发运维畅行无忧

其他文章