共计 14889 个字符，预计需要花费 38 分钟才能阅读完成。
原文出处 http://cmsblogs.com/『chenssy』
到目前为止，我们在 Java 世界里看到了两种实现 key-value 的数据结构：Hash、TreeMap，这两种数据结构各自都有着优缺点。
- Hash 表：插入、查找最快，为 O(1)；如使用链表实现则可实现无锁；数据有序化需要显式的排序操作。
- 红黑树：插入、查找为 O(logn)，但常数项较小；无锁实现的复杂性很高，一般需要加锁；数据天然有序。
然而，这次介绍第三种实现 key-value 的数据结构：SkipList。SkipList 有着不低于红黑树的效率，但是其原理和实现的复杂度要比红黑树简单多了。
SkipList
什么是 SkipList？Skip List，称之为跳表，它是一种可以替代平衡树的数据结构，其数据元素默认按照 key 值升序，天然有序。Skip list 让已排序的数据分布在多层链表中，以 0 - 1 随机数决定一个数据的向上攀升与否，通过“空间来换取时间”的一个算法，在每个节点中增加了向前的指针，在插入、删除、查找时可以忽略一些不可能涉及到的结点，从而提高了效率。
我们先看一个简单的链表，如下：
如果我们需要查询 9、21、30，则需要比较次数为 3 + 6 + 8 = 17 次，那么有没有优化方案呢？有！我们将该链表中的某些元素提炼出来作为一个比较“索引”，如下：
我们先与这些索引进行比较来决定下一个元素是往右还是下走，由于存在“索引”的缘故，导致在检索的时候会大大减少比较的次数。当然元素不是很多，很难体现出优势，当元素足够多的时候，这种索引结构就会大显身手。
SkipList 的特性
SkipList 具备如下特性：
- 由很多层结构组成，level 是通过一定的概率随机产生的
- 每一层都是一个有序的链表，默认是升序，也可以根据创建映射时所提供的 Comparator 进行排序，具体取决于使用的构造方法
- 最底层 (Level 1) 的链表包含所有元素
- 如果一个元素出现在 Level i 的链表中，则它在 Level i 之下的链表也都会出现
- 每个节点包含两个指针，一个指向同一链表中的下一个元素，一个指向下面一层的元素
我们将上图再做一些扩展就可以变成一个典型的 SkipList 结构了
SkipList 的查找
SkipListd 的查找算法较为简单，对于上面我们我们要查找元素 21，其过程如下：
- 比较 3，大于，往后找（9），
- 比 9 大，继续往后找（25），但是比 25 小，则从 9 的下一层开始找（16）
- 16 的后面节点依然为 25，则继续从 16 的下一层找
- 找到 21
如图
红色虚线代表路径。
SkipList 的插入
SkipList 的插入操作主要包括：
- 查找合适的位置。这里需要明确一点就是在确认新节点要占据的层次 K 时，采用丢硬币的方式，完全随机。如果占据的层次 K 大于链表的层次，则重新申请新的层，否则插入指定层次
- 申请新的节点
- 调整指针
假定我们要插入的元素为 23，经过查找可以确认她是位于 25 后，9、16、21 前。当然需要考虑申请的层次 K。
如果层次 K > 3
需要申请新层次（Level 4）
如果层次 K = 2
直接在 Level 2 层插入即可
这里会涉及到以个算法：通过丢硬币决定层次 K，该算法我们通过后面 ConcurrentSkipListMap 源码来分析。还有一个需要注意的地方就是，在 K 层插入元素后，需要确保所有小于 K 层的层次都应该出现新节点。
SkipList 的删除
删除节点和插入节点思路基本一致：找到节点，删除节点，调整指针。
比如删除节点 9，如下：
ConcurrentSkipListMap
通过上面我们知道 SkipList 采用空间换时间的算法，其插入和查找的效率 O(logn)，其效率不低于红黑树，但是其原理和实现的复杂度要比红黑树简单多了。一般来说会操作链表 List，就会对 SkipList 毫无压力。
ConcurrentSkipListMap 其内部采用 SkipLis 数据结构实现。为了实现 SkipList，ConcurrentSkipListMap 提供了三个内部类来构建这样的链表结构：Node、Index、HeadIndex。其中 Node 表示最底层的单链表有序节点、Index 表示为基于 Node 的索引层，HeadIndex 用来维护索引层次。到这里我们可以这样说 ConcurrentSkipListMap 是通过 HeadIndex 维护索引层次，通过 Index 从最上层开始往下层查找，一步一步缩小查询范围，最后到达最底层 Node 时，就只需要比较很小一部分数据了。在 JDK 中的关系如下图：
Node
static final class Node<K,V> {
final K key;
volatile Object value;
volatile ConcurrentSkipListMap.Node<K, V> next;
/** 省略些许代码 */
}Node 的结构和一般的单链表毫无区别，key-value 和一个指向下一个节点的 next。
Index
static class Index<K,V> {
final ConcurrentSkipListMap.Node<K,V> node;
final ConcurrentSkipListMap.Index<K,V> down;
volatile ConcurrentSkipListMap.Index<K,V> right;
/** 省略些许代码 */
}Index 提供了一个基于 Node 节点的索引 Node，一个指向下一个 Index 的 right，一个指向下层的 down 节点。
HeadIndex
static final class HeadIndex<K,V> extends Index<K,V> {
final int level; // 索引层，从 1 开始，Node 单链表层为 0
HeadIndex(Node<K,V> node, Index<K,V> down, Index<K,V> right, int level) {super(node, down, right);
this.level = level;
}
}HeadIndex 内部就一个 level 来定义层级。
ConcurrentSkipListMap 提供了四个构造函数，每个构造函数都会调用 initialize()方法进行初始化工作。
final void initialize() {
keySet = null;
entrySet = null;
values = null;
descendingMap = null;
randomSeed = seedGenerator.nextInt() | 0x0100; // ensure nonzero
head = new ConcurrentSkipListMap.HeadIndex<K,V>(new ConcurrentSkipListMap.Node<K,V>(null, BASE_HEADER, null),
null, null, 1);
}注意，initialize()方法不仅仅只在构造函数中被调用，如 clone，clear、readObject 时都会调用该方法进行初始化步骤。这里需要注意 randomSeed 的初始化。
private transient int randomSeed;
randomSeed = seedGenerator.nextInt() | 0x0100; // ensure nonzerorandomSeed 一个简单的随机数生成器（在后面介绍）。
put 操作
CoucurrentSkipListMap 提供了 put()方法用于将指定值与此映射中的指定键关联。源码如下：
public V put(K key, V value) {if (value == null)
throw new NullPointerException();
return doPut(key, value, false);
}首先判断 value 如果为 null，则抛出 NullPointerException，否则调用 doPut 方法，其实如果各位看过 JDK 的源码的话，应该对这样的操作很熟悉了，JDK 源码里面很多方法都是先做一些必要性的验证后，然后通过调用 do**()方法进行真正的操作。
doPut()方法内容较多，我们分步分析。
private V doPut(K key, V value, boolean onlyIfAbsent) {
Node<K,V> z; // added node
if (key == null)
throw new NullPointerException();
// 比较器
Comparator<? super K> cmp = comparator;
outer: for (;;) {for (Node<K, V> b = findPredecessor(key, cmp), n = b.next; ; ) {/** 省略代码 */doPut()方法有三个参数，除了 key,value 外还有一个 boolean 类型的 onlyIfAbsent，该参数作用与如果存在当前 key 时，该做何动作。当 onlyIfAbsent 为 false 时，替换 value，为 true 时，则返回该 value。用代码解释为：
if (!map.containsKey(key))
return map.put(key, value);
else
return map.get(key);首先判断 key 是否为 null，如果为 null，则抛出 NullPointerException，从这里我们可以确认 ConcurrentSkipList 是不支持 key 或者 value 为 null 的。然后调用 findPredecessor()方法，传入 key 来确认位置。findPredecessor()方法其实就是确认 key 要插入的位置。
private Node<K,V> findPredecessor(Object key, Comparator<? super K> cmp) {if (key == null)
throw new NullPointerException(); // don't postpone errors
for (;;) {
// 从 head 节点开始，head 是 level 最高级别的 headIndex
for (Index<K,V> q = head, r = q.right, d;;) {
// r != null，表示该节点右边还有节点，需要比较
if (r != null) {
Node<K,V> n = r.node;
K k = n.key;
// value == null，表示该节点已经被删除了
// 通过 unlink()方法过滤掉该节点
if (n.value == null) {
// 删掉 r 节点
if (!q.unlink(r))
break; // restart
r = q.right; // reread r
continue;
}
// value != null，节点存在
// 如果 key 大于 r 节点的 key 则往前进一步
if (cpr(cmp, key, k) > 0) {
q = r;
r = r.right;
continue;
}
}
// 到达最右边，如果 dowm == null，表示指针已经达到最下层了，直接返回该节点
if ((d = q.down) == null)
return q.node;
q = d;
r = d.right;
}
}
}findPredecessor()方法意思非常明确：寻找前辈。从最高层的 headIndex 开始向右一步一步比较，直到 right 为 null 或者右边节点的 Node 的 key 大于当前 key 为止，然后再向下寻找，依次重复该过程，直到 down 为 null 为止，即找到了前辈，看返回的结果注意是 Node，不是 Item，所以插入的位置应该是最底层的 Node 链表。
在这个过程中 ConcurrentSkipListMap 赋予了该方法一个其他的功能，就是通过判断节点的 value 是否为 null，如果为 null，表示该节点已经被删除了，通过调用 unlink()方法删除该节点。
final boolean unlink(Index<K,V> succ) {return node.value != null && casRight(succ, succ.right);
}删除节点过程非常简单，更改下 right 指针即可。
通过 findPredecessor()找到前辈节点后，做什么呢？看下面：
for (Node<K,V> b = findPredecessor(key, cmp), n = b.next;;) {
// 前辈节点的 next != null
if (n != null) {
Object v; int c;
Node<K,V> f = n.next;
// 不一致读，主要原因是并发，有节点捷足先登
if (n != b.next) // inconsistent read
break;
// n.value == null，该节点已经被删除了
if ((v = n.value) == null) { // n is deleted
n.helpDelete(b, f);
break;
}
// 前辈节点 b 已经被删除
if (b.value == null || v == n) // b is deleted
break;
// 节点大于，往前移
if ((c = cpr(cmp, key, n.key)) > 0) {
b = n;
n = f;
continue;
}
// c == 0 表示，找到一个 key 相等的节点，根据 onlyIfAbsent 参数来做判断
// onlyIfAbsent ==false，则通过 casValue，替换 value
// onlyIfAbsent == true，返回该 value
if (c == 0) {if (onlyIfAbsent || n.casValue(v, value)) {@SuppressWarnings("unchecked") V vv = (V)v;
return vv;
}
break; // restart if lost race to replace value
}
// else c < 0; fall through
}
// 将 key-value 包装成一个 node，插入
z = new Node<K,V>(key, value, n);
if (!b.casNext(n, z))
break; // restart if lost race to append to b
break outer;
}找到合适的位置后，就是在该位置插入节点咯。插入节点的过程比较简单，就是将 key-value 包装成一个 Node，然后通过 casNext()方法加入到链表当中。当然是插入之前需要进行一系列的校验工作。
在最下层插入节点后，下一步工作是什么？新建索引。前面博主提过，在插入节点的时候，会根据采用抛硬币的方式来决定新节点所插入的层次，由于存在并发的可能，ConcurrentSkipListMap 采用 ThreadLocalRandom 来生成随机数。如下：
int rnd = ThreadLocalRandom.nextSecondarySeed();抛硬币决定层次的思想很简单，就是通过抛硬币如果硬币为正面则层次 level + 1，否则停止，如下：
// 抛硬币决定层次
while (((rnd >>>= 1) & 1) != 0)
++level;在阐述 SkipList 插入节点的时候说明了，决定的层次 level 会分为两种情况进行处理，一是如果层次 level 大于最大的层次话则需要新增一层，否则就在相应层次以及小于该 level 的层次进行节点新增处理。
level <= headIndex.level
// 如果决定的层次 level 比最高层次 head.level 小，直接生成最高层次的 index
// 由于需要确认每一层次的 down，所以需要从最下层依次往上生成
if (level <= (max = h.level)) {for (int i = 1; i <= level; ++i)
idx = new ConcurrentSkipListMap.Index<K,V>(z, idx, null);
}从底层开始，小于 level 的每一层都初始化一个 index，每次的 node 都指向新加入的 node，down 指向下一层的 item，右侧 next 全部为 null。整个处理过程非常简单：为小于 level 的每一层初始化一个 index，然后加入到原来的 index 链条中去。
level > headIndex.level
// leve > head.level 则新增一层
else { // try to grow by one level
// 新增一层
level = max + 1;
// 初始化 level 个 item 节点
@SuppressWarnings("unchecked")
ConcurrentSkipListMap.Index<K,V>[] idxs =
(ConcurrentSkipListMap.Index<K,V>[])new ConcurrentSkipListMap.Index<?,?>[level+1];
for (int i = 1; i <= level; ++i)
idxs[i] = idx = new ConcurrentSkipListMap.Index<K,V>(z, idx, null);
//
for (;;) {
h = head;
int oldLevel = h.level;
// 层次扩大了，需要重新开始（有新线程节点加入）if (level <= oldLevel) // lost race to add level
break;
// 新的头结点 HeadIndex
ConcurrentSkipListMap.HeadIndex<K,V> newh = h;
ConcurrentSkipListMap.Node<K,V> oldbase = h.node;
// 生成新的 HeadIndex 节点，该 HeadIndex 指向新增层次
for (int j = oldLevel+1; j <= level; ++j)
newh = new ConcurrentSkipListMap.HeadIndex<K,V>(oldbase, newh, idxs[j], j);
// HeadIndex CAS 替换
if (casHead(h, newh)) {
h = newh;
idx = idxs[level = oldLevel];
break;
}
}当抛硬币决定的 level 大于最大层次 level 时，需要新增一层进行处理。处理逻辑如下：
- 初始化一个对应的 index 数组，大小为 level + 1，然后为每个单位都创建一个 index，个中参数为：Node 为新增的 Z，down 为下一层 index，right 为 null
- 通过 for 循环来进行扩容操作。从最高层进行处理，新增一个 HeadIndex，个中参数：节点 Node，down 都为最高层的 Node 和 HeadIndex，right 为刚刚创建的对应层次的 index，level 为相对应的层次 level。最后通过 CAS 把当前的 head 与新加入层的 head 进行替换。
通过上面步骤我们发现，尽管已经找到了前辈节点，也将 node 插入了，也确定确定了层次并生成了相应的 Index，但是并没有将这些 Index 插入到相应的层次当中，所以下面的代码就是将 index 插入到相对应的层当中。
// 从插入的层次 level 开始
splice: for (int insertionLevel = level;;) {
int j = h.level;
// 从 headIndex 开始
for (ConcurrentSkipListMap.Index<K,V> q = h, r = q.right, t = idx;;) {if (q == null || t == null)
break splice;
// r != null；这里是找到相应层次的插入节点位置，注意这里只横向找
if (r != null) {
ConcurrentSkipListMap.Node<K,V> n = r.node;
int c = cpr(cmp, key, n.key);
// n.value == null，解除关系，r 右移
if (n.value == null) {if (!q.unlink(r))
break;
r = q.right;
continue;
}
// key > n.key 右移
if (c > 0) {
q = r;
r = r.right;
continue;
}
}
// 上面找到节点要插入的位置，这里就插入
// 当前层是最顶层
if (j == insertionLevel) {
// 建立联系
if (!q.link(r, t))
break; // restart
if (t.node.value == null) {findNode(key);
break splice;
}
// 标志的插入层 --，如果 == 0，表示已经到底了，插入完毕，退出循环
if (--insertionLevel == 0)
break splice;
}
// 上面节点已经插入完毕了，插入下一个节点
if (--j >= insertionLevel && j < level)
t = t.down;
q = q.down;
r = q.right;
}
}这段代码分为两部分看，一部分是找到相应层次的该节点插入的位置，第二部分在该位置插入，然后下移。
至此，ConcurrentSkipListMap 的 put 操作到此就结束了。代码量有点儿多，这里总结下：
- 首先通过 findPredecessor()方法找到前辈节点 Node
- 根据返回的前辈节点以及 key-value，新建 Node 节点，同时通过 CAS 设置 next
- 设置节点 Node，再设置索引节点。采取抛硬币方式决定层次，如果所决定的层次大于现存的最大层次，则新增一层，然后新建一个 Item 链表。
- 最后，将新建的 Item 链表插入到 SkipList 结构中。
get 操作
相比于 put 操作，get 操作会简单很多，其过程其实就只相当于 put 操作的第一步：
private V doGet(Object key) {if (key == null)
throw new NullPointerException();
Comparator<? super K> cmp = comparator;
outer: for (;;) {for (ConcurrentSkipListMap.Node<K,V> b = findPredecessor(key, cmp), n = b.next;;) {
Object v; int c;
if (n == null)
break outer;
ConcurrentSkipListMap.Node<K,V> f = n.next;
if (n != b.next) // inconsistent read
break;
if ((v = n.value) == null) { // n is deleted
n.helpDelete(b, f);
break;
}
if (b.value == null || v == n) // b is deleted
break;
if ((c = cpr(cmp, key, n.key)) == 0) {@SuppressWarnings("unchecked") V vv = (V)v;
return vv;
}
if (c < 0)
break outer;
b = n;
n = f;
}
}
return null;
}与 put 操作第一步相似，首先调用 findPredecessor()方法找到前辈节点，然后顺着 right 一直往右找即可，同时在这个过程中同样承担了一个删除 value 为 null 的节点的职责。
remove 操作
remove 操作为删除指定 key 节点，如下：
public V remove(Object key) {return doRemove(key, null);
}直接调用 doRemove()方法，这里 remove 有两个参数，一个是 key，另外一个是 value，所以 doRemove 方法即提供 remove key，也提供同时满足 key-value。
final V doRemove(Object key, Object value) {if (key == null)
throw new NullPointerException();
Comparator<? super K> cmp = comparator;
outer: for (;;) {for (ConcurrentSkipListMap.Node<K,V> b = findPredecessor(key, cmp), n = b.next;;) {
Object v; int c;
if (n == null)
break outer;
ConcurrentSkipListMap.Node<K,V> f = n.next;
// 不一致读，重新开始
if (n != b.next) // inconsistent read
break;
// n 节点已删除
if ((v = n.value) == null) { // n is deleted
n.helpDelete(b, f);
break;
}
// b 节点已删除
if (b.value == null || v == n) // b is deleted
break;
if ((c = cpr(cmp, key, n.key)) < 0)
break outer;
// 右移
if (c > 0) {
b = n;
n = f;
continue;
}
/*
* 找到节点
*/
// value != null 表示需要同时校验 key-value 值
if (value != null && !value.equals(v))
break outer;
// CAS 替换 value
if (!n.casValue(v, null))
break;
if (!n.appendMarker(f) || !b.casNext(n, f))
findNode(key); // retry via findNode
else {
// 清理节点
findPredecessor(key, cmp); // clean index
// head.right == null 表示该层已经没有节点，删掉该层
if (head.right == null)
tryReduceLevel();}
@SuppressWarnings("unchecked") V vv = (V)v;
return vv;
}
}
return null;
}调用 findPredecessor()方法找到前辈节点，然后通过右移，然后比较，找到后利用 CAS 把 value 替换为 null，然后判断该节点是不是这层唯一的 index，如果是的话，调用 tryReduceLevel()方法把这层干掉，完成删除。
其实从这里可以看出，remove 方法仅仅是把 Node 的 value 设置 null，并没有真正删除该节点 Node，其实从上面的 put 操作、get 操作我们可以看出，他们在寻找节点的时候都会判断节点的 value 是否为 null，如果为 null，则调用 unLink()方法取消关联关系，如下：
if (n.value == null) {if (!q.unlink(r))
break; // restart
r = q.right; // reread r
continue;
}size 操作
ConcurrentSkipListMap 的 size()操作和 ConcurrentHashMap 不同，它并没有维护一个全局变量来统计元素的个数，所以每次调用该方法的时候都需要去遍历。
public int size() {
long count = 0;
for (Node<K,V> n = findFirst(); n != null; n = n.next) {if (n.getValidValue() != null)
++count;
}
return (count >= Integer.MAX_VALUE) ? Integer.MAX_VALUE : (int) count;
}调用 findFirst()方法找到第一个 Node，然后利用 node 的 next 去统计。最后返回统计数据，最多能返回 Integer.MAX_VALUE。注意这里在线程并发下是安全的。
ConcurrentSkipListMap 过程其实不复杂，相比于 ConcurrentHashMap 而言，是简单的不能再简单了。对跳表 SkipList 熟悉的话，ConcurrentSkipListMap 应该是盘中餐了。
Java 并发编程：并发容器之 CopyOnWriteArrayList（转载）
原文链接：
http://ifeve.com/java-copy-on-write/
Copy-On-Write 简称 COW，是一种用于程序设计中的优化策略。其基本思路是，从一开始大家都在共享同一个内容，当某个人想要修改这个内容的时候，才会真正把内容 Copy 出去形成一个新的内容然后再改，这是一种延时懒惰策略。从 JDK1.5 开始 Java 并发包里提供了两个使用 CopyOnWrite 机制实现的并发容器, 它们是 CopyOnWriteArrayList 和 CopyOnWriteArraySet。CopyOnWrite 容器非常有用，可以在非常多的并发场景中使用到。
什么是 CopyOnWrite 容器
CopyOnWrite 容器即写时复制的容器。通俗的理解是当我们往一个容器添加元素的时候，不直接往当前容器添加，而是先将当前容器进行 Copy，复制出一个新的容器，然后新的容器里添加元素，添加完元素之后，再将原容器的引用指向新的容器。这样做的好处是我们可以对 CopyOnWrite 容器进行并发的读，而不需要加锁，因为当前容器不会添加任何元素。所以 CopyOnWrite 容器也是一种读写分离的思想，读和写不同的容器。
CopyOnWriteArrayList 的实现原理
在使用 CopyOnWriteArrayList 之前，我们先阅读其源码了解下它是如何实现的。以下代码是向 CopyOnWriteArrayList 中 add 方法的实现（向 CopyOnWriteArrayList 里添加元素），可以发现在添加的时候是需要加锁的，否则多线程写的时候会 Copy 出 N 个副本出来。
| 1234567891011121314151617181920 |
/**` Appends the specified element to the end of this list.* @param e element to be appended to this list* @return <tt>true</tt> (as specified by {@link Collection#add})*/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);newElements[len] = e;setArray(newElements);return true;} finally` `{lock.unlock();}}` |
|---|
读的时候不需要加锁，如果读的时候有多个线程正在向 CopyOnWriteArrayList 添加数据，读还是会读到旧的数据，因为写的时候不会锁住旧的 CopyOnWriteArrayList。
| 123 |
public E get(`int index) {return` `get(getArray(), index);}` |
|---|
JDK 中并没有提供 CopyOnWriteMap，我们可以参考 CopyOnWriteArrayList 来实现一个，基本代码如下：
| 123456789101112131415161718192021222324252627282930313233 |
import java.util.Collection;`import java.util.Map;import` `java.util.Set;public class CopyOnWriteMap<K, V> implements` `Map<K, V>, Cloneable {private volatile Map<K, V> internalMap;public` `CopyOnWriteMap() {internalMap = new` `HashMap<K, V>();}public` `V put(K key, V value) {synchronized (this) {Map<K, V> newMap = new HashMap<K, V>(internalMap);V val = newMap.put(key, value);internalMap = newMap;return` `val;}}public V get(Object key) {return` `internalMap.get(key);}public` `void` `putAll(Map<? extends K, ? extends` `V> newData) {synchronized (this) {Map<K, V> newMap = new HashMap<K, V>(internalMap);newMap.putAll(newData);internalMap = newMap;}}`}
|
|---|
实现很简单，只要了解了 CopyOnWrite 机制，我们可以实现各种 CopyOnWrite 容器，并且在不同的应用场景中使用。
CopyOnWrite 的应用场景
CopyOnWrite 并发容器用于读多写少的并发场景。比如白名单，黑名单，商品类目的访问和更新场景，假如我们有一个搜索网站，用户在这个网站的搜索框中，输入关键字搜索内容，但是某些关键字不允许被搜索。这些不能被搜索的关键字会被放在一个黑名单当中，黑名单每天晚上更新一次。当用户搜索时，会检查当前关键字在不在黑名单当中，如果在，则提示不能搜索。实现代码如下：
| 1234567891011121314151617181920212223242526272829303132333435 |
package com.ifeve.book;`import java.util.Map;import` `com.ifeve.book.forkjoin.CopyOnWriteMap;/** 黑名单服务* @author fangtengfei*/public class BlackListServiceImpl {private` `static` `CopyOnWriteMap<String, Boolean> blackListMap = new CopyOnWriteMap<String, Boolean>(1000);public` `static` `boolean` `isBlackList(String id) {return blackListMap.get(id) == null` `? false : true;}public static void addBlackList(String id) {blackListMap.put(id, Boolean.TRUE);}/** 批量添加黑名单** @param ids*/public static void addBlackList(Map<String,Boolean> ids) {blackListMap.putAll(ids);}`}
|
|---|
代码很简单，但是使用 CopyOnWriteMap 需要注意两件事情：
1. 减少扩容开销。根据实际需要，初始化 CopyOnWriteMap 的大小，避免写时 CopyOnWriteMap 扩容的开销。
2. 使用批量添加。因为每次添加，容器每次都会进行复制，所以减少添加次数，可以减少容器的复制次数。如使用上面代码里的 addBlackList 方法。
CopyOnWrite 的缺点
CopyOnWrite 容器有很多优点，但是同时也存在两个问题，即内存占用问题和数据一致性问题。所以在开发的时候需要注意一下。
内存占用问题。因为 CopyOnWrite 的写时复制机制，所以在进行写操作的时候，内存里会同时驻扎两个对象的内存，旧的对象和新写入的对象（注意: 在复制的时候只是复制容器里的引用，只是在写的时候会创建新对象添加到新容器里，而旧容器的对象还在使用，所以有两份对象内存）。如果这些对象占用的内存比较大，比如说 200M 左右，那么再写入 100M 数据进去，内存就会占用 300M，那么这个时候很有可能造成频繁的 Yong GC 和 Full GC。之前我们系统中使用了一个服务由于每晚使用 CopyOnWrite 机制更新大对象，造成了每晚 15 秒的 Full GC，应用响应时间也随之变长。
针对内存占用问题，可以通过压缩容器中的元素的方法来减少大对象的内存消耗，比如，如果元素全是 10 进制的数字，可以考虑把它压缩成 36 进制或 64 进制。或者不使用 CopyOnWrite 容器，而使用其他的并发容器，如 ConcurrentHashMap。
数据一致性问题。CopyOnWrite 容器只能保证数据的最终一致性，不能保证数据的实时一致性。所以如果你希望写入的的数据，马上能读到，请不要使用 CopyOnWrite 容器。
下面这篇文章验证了 CopyOnWriteArrayList 和同步容器的性能：
http://blog.csdn.net/wind5shy/article/details/5396887
下面这篇文章简单描述了 CopyOnWriteArrayList 的使用：
http://blog.csdn.net/imzoer/article/details/9751591
