記一次集合去重導致的線上問題

作者：月伴飛魚 2020-11-16 07:19:17

開發前端

在工作中一次排查慢接口時，查到了一個函數耗時較長，最終定位到是通過 List 去重導致的。由于測試環境還有線上早期數據較少，這個接口的性能問題沒有引起較大關注，后面頻繁超時，才引起重視。

[[352297]]

前言

在工作中一次排查慢接口時，查到了一個函數耗時較長，最終定位到是通過 List 去重導致的。

由于測試環境還有線上早期數據較少，這個接口的性能問題沒有引起較大關注，后面頻繁超時，才引起重視。

之前看《阿里巴巴Java開發手冊》里面有這樣一段描述：

你看，阿里前輩們都免費總結了，不過還是會看到有人會用List的contains函數來去重......

不記得的，罰抄10萬遍

如果需要這本書資源的網上下載也行，私聊我發你也行

今天我就結合源碼聊聊Set是怎樣保證數據的唯一性的，為什么兩種去重方式性能差距這么大

HashSet源碼

先看看類注釋：

看類注釋上，我們可以得到的信息有：

底層實現基于 HashMap，所以迭代時不能保證按照插入順序，或者其它順序進行迭代;
add、remove、contanins、size 等方法的耗時性能，是不會隨著數據量的增加而增加的，這個主要跟 HashMap 底層的數組數據結構有關，不管數據量多大，不考慮 hash 沖突的情況下，時間復雜度都是 O (1);
線程不安全的，如果需要安全請自行加鎖，或者使用 Collections.synchronizedSet;
迭代過程中，如果數據結構被改變，會快速失敗的，會拋出 ConcurrentModificationException 異常。

剛才是從類注釋中看到，HashSet 的實現是基于 HashMap 的，在 Java 中，要基于基礎類進行創新實現，有兩種辦法：

繼承基礎類，覆寫基礎類的方法，比如說繼承 HashMap , 覆寫其 add 的方法;
組合基礎類，通過調用基礎類的方法，來復用基礎類的能力。

HashSet 使用的就是組合 HashMap，其優點如下：

繼承表示父子類是同一個事物，而 Set 和 Map 本來就是想表達兩種事物，所以繼承不妥，而且 Java 語法限制，子類只能繼承一個父類，后續難以擴展。

組合更加靈活，可以任意的組合現有的基礎類，并且可以在基礎類方法的基礎上進行擴展、編排等，而且方法命名可以任意命名，無需和基礎類的方法名稱保持一致。

組合就是把 HashMap 當作自己的一個局部變量，以下是 HashSet 的組合實現：

// 把 HashMap 組合進來，key 是 Hashset 的 key，value 是下面的 PRESENT 
private transient HashMap<E,Object> map; 
// HashMap 中的 value 
private static final Object PRESENT = new Object();

從這兩行代碼中，我們可以看出兩點：

我們在使用 HashSet 時，比如 add 方法，只有一個入參，但組合的 Map 的 add 方法卻有 key，value 兩個入參，相對應上 Map 的 key 就是我們 add 的入參，value 就是第二行代碼中的 PRESENT，此處設計非常巧妙，用一個默認值 PRESENT 來代替 Map 的 Value;

我們再來看看add方法：

public boolean add(E e) { 
    // 直接使用 HashMap 的 put 方法，進行一些簡單的邏輯判斷 
    return map.put(e, PRESENT)==null; 
}

我們進入更底層源碼java.util.HashMap#put:

public V put(K key, V value) {  
 return putVal(hash(key), key, value, false, true);  
}

再瞧瞧hash方法：

static final int hash(Object key) {  
 int h;  
 return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);  
}

可以看到如果 key 為 null ，哈希值為 0，否則將 key 通過自身hashCode函數計算的的哈希值和其右移 16 位進行異或運算得到最終的哈希值。

我們再回到 java.util.HashMap#putVal中：

在 java.util.HashMap#putVal中，直接通過 (n - 1) & hash 來得到當前元素在節點數組中的位置。如果不存在，直接構造新節點并存儲到該節點數組的對應位置。如果存在，則通過下面邏輯：

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

來判斷元素是否相等。

如果相等則用新值替換舊值，否則添加紅黑樹節點或者鏈表節點。

總結：通過HashMap的key的唯一性來保證的HashSet元素的唯一性。

最后再看看：

《阿里巴巴Java開發手冊》里面還有這樣一段描述：

到現在是不是明白了，這個2，3點的原因

性能對比

其實HashSet和ArrayList去重性能差異的核心在于contains函數性能對比。

我們分別查看java.util.HashSet#contains和java.util.ArrayList#contains的實現。

java.util.HashSet#contains源碼：

public boolean contains(Object o) { 
        return map.containsKey(o); 
    }

最終也是通過HashMap判斷的

如果 hash 沖突不是極其嚴重(大多數都沒怎么有哈希沖突)，n 個元素依次判斷并插入到 Set 的時間復雜度接近于 O (n)，查找的復雜度是O(1)。

接下來我們看java.util.ArrayList#contains的源碼：

public boolean contains(Object o) { 
        return indexOf(o) >= 0; 
    }

public int indexOf(Object o) { 
        if (o == null) { 
            for (int i = 0; i < size; i++) 
                if (elementData[i]==null) 
                    return i; 
        } else { 
            for (int i = 0; i < size; i++) 
                if (o.equals(elementData[i])) 
                    return i; 
        } 
        return -1; 
    }