java HashMap需要注意的一些地方

遍历HashMap时增删导致报错问题 背景 在和朋友的一次交谈中,朋友遇到了这样一个问题:在遍历map时,做了一步remove操作,然后就发生了ConcurrentModificationException异常。由此我点进源码探究了一番。 JDK版本:1.8 探究 点进HashMap源码发现,在每次循环结束前,会校验一下modCount的值,如果modCount变了,就会抛出ConcurrentModificationException异常。 @Override public void forEach(BiConsumer<? 阅读详情
在游戏服务器上控制角色的坐标点可以通过Point这个类来实现,地图模块则以HashMap来承载。此问题从简单来说,既HashMap以Point作为Key值时,用户往往会忽略其中一个细节照成后期的非编译Bug。 

以下是示例: 

HashMap<Point,String> hashMap = new HashMap<Point, String>(); 
Point A = new Point(2,2); 
hashMap.put(A,"A");//将2,2点作为Key值存入HashMap 
A.x = 1;//修改A点的x值 
A.y = 1;//修改A点的y值 
System.out.println(hashMap.get(A));//此时结果为Null 已经找不到了 

//我们试着迭代一下 
System.out.println(hashMap.size());//此处为1 
for(Iterator<String> iterator = hashMap.values().iterator();iterator.hasNext();){ 
iterator.next(); 
iterator.remove(); 
} 
System.out.println(hashMap.size());//此处依旧为1 即无法销毁 

所以 使用Point作为HashMap的Key时大家要注意了 这个Point应当是Final态 即不可修改的 否则将发生在HashMap中无法找到对应Value也无法迭代删除的错误 

当然其他以对象作为Key值时也应当注意 
原因是hashMap的索引是通过Key的hashcode进行的 当用户人为修改对象的内部属性后会造成hashcode的变化 从而造成无法取得Value的错误 

以上为本人Java游戏服务器开发中一些小小的总结 

*******************************************************************

Java遍历HashMap并修改(remove)

遍历HashMap的方法有多种,比如通过获取map的keySet, entrySet, iterator之后,都可以实现遍历,然而如果在遍历过程中对map进行读取之外的操作则需要注意使用的遍历方式和操作方法。

上面代码的输出结果为

通过上面的输出可以发现第一个偶数key元素已经被成功remove,异常的抛出位置是在迭代器遍历下一个元素的时候。

如果把上面高亮的遍历代码替换成keySet的方式,通过keySet的remove操作同样会在遍历下个元素时抛出异常,示例如下。

如果要实现遍历过程中进行remove操作,上面两种方式都不能使用,而是需要通过显示获取keySet或entrySet的iterator来实现。

 

分析原因

其实上面的三种遍历方式从根本上讲都是使用的迭代器,之所以出现不同的结果是由于remove操作的实现不同决定的。

首先前两种方法都在调用nextEntry方法的同一个地方抛出了异常

这里modCount是表示map中的元素被修改了几次(在移除,新加元素时此值都会自增),而expectedModCount是表示期望的修改次数,在迭代器构造的时候这两个值是相等,如果在遍历过程中这两个值出现了不同步就会抛出ConcurrentModificationException异常。

1、HashMap的remove方法实现

2、HashMap.KeySet的remove方法实现

3、HashMap.HashIterator的remove方法实现

以上三种实现方式都通过调用HashMap.removeEntryForKey方法来实现删除key的操作。在removeEntryForKey方法内只要移除了key modCount就会执行一次自增操作,此时modCount就与expectedModCount不一致了,上面三种remove实现中,只有第三种iterator的remove方法在调用完removeEntryForKey方法后同步了expectedModCount值与modCount相同,所以在遍历下个元素调用nextEntry方法时,iterator方式不会抛异常。

 

发散

1、如果是遍历过程中增加或修改数据呢?
增加或修改数据只能通过Map的put方法实现,在遍历过程中修改数据可以,但如果增加新key就会在下次循环时抛异常,因为在添加新key时modCount也会自增。

2、有些集合类也有同样的遍历问题,如ArrayList,通过Iterator方式可正确遍历完成remove操作,直接调用list的remove方法就会抛异常。

3、jdk为什么这样设计,只允许通过iterator进行remove操作?

HashMap和keySet的remove方法都可以通过传递key参数删除任意的元素,而iterator只能删除当前元素(current),一旦删除的元素是iterator对象中next所正在引用的,如果没有通过modCount、 expectedModCount的比较实现快速失败抛出异常,下次循环该元素将成为current指向,此时iterator就遍历了一个已移除的过期数据。



HashMap在使用时需要注意什么地方 至少说出四点? 在使用HashMap。 阅读详情

相关推荐

Java基础 HashMap的添加 修改 遍历 Map.Entry Map.entrySet()的使用及实例

Java Map Map中不能包含相同的键,每个键只能映射一个值。 HashMap:并不能保证它的元素的顺序,元素加入散列映射的顺序并不一定是它们被迭代方法读出的顺序。 Map.Entry Map.Entry 是Map中的一个接口,他的用途是表示一个映射项(里面有Key和Value) Map.Entry里有相应的getKey和getValue方法,即JavaBean,让我们能够从一个项中取出K...

及时总结 3178

Java HashMap 如何正确遍历并删除元素

(一)HashMap的遍历   HashMap的遍历主要有两种方式:   第一种采用的是foreach模式,适用于不需要修改HashMap内元素的遍历,只需要获取元素的键/值的情况。 HashMap<K, V> myHashMap; for (Map.entry<K, V> item : myHashMap.entrySet()){ K k...

weixin_30919235的博客 997

【Java】HashMap的详细介绍

当使用自定义对象作为 key 时,必须重写hashCode()和equals()方法,否则会导致无法正确查找或删除元素:java运行// 构造方法、getter、setter 省略// 重写 hashCode() 和 equals()@Override// 基于唯一标识 id 计算哈希值@Override// 基于 id 判断是否相同// 使用自定义对象作为 key。

jnjqb45071的博客 1081

hashmap遍历以及修改

1. Map的四种遍历方式 下面只是简单介绍各种遍历示例(以HashMap为例),各自优劣会在本文后面进行分析给出结论。 (1) for each map.entrySet() Map map = new HashMap(); for (Entry entry : map.entrySet()) { entry.getKey(); entry.getValue(); } (2)

asd199205的博客 4690

S32K344 Bootloader实战:一个按键实现从Boot到App的无缝跳转(附完整代码)

本文详细介绍了基于NXP S32K344微控制器的Bootloader开发实战,重点解析如何通过一个硬件按键实现从Boot到App的可靠跳转。内容涵盖内存分区规划、中断向量表重映射、外设初始状态管理等核心要素,并提供了完整的代码示例和调试技巧,适用于汽车电子和工业控制等高可靠性应用场景。

weixin_29192365的博客 307

细聊Oracle通过ODBC数据源连接SQL Server数据库

    类似文章搜索引擎上有很多,内容大致相同,今天所谓细聊是因为我在借鉴这些文章时候走了些弯路,所以写此文,为自己备忘,同时如果能为初涉此处知识点的小伙伴提供些帮助就更好了,废话不多说。    我的应用场景:    项目系统使用oracle数据库,与客户的第三方系统供应商实现资源共享,对方为sql server数据库;    我的测试开发环境为64bitwin7PC机,本机上装有64位Oracl...

xueren_83的博客 1万+

删除map中某条记录,使用iterator方法

在Map中直接删除内容将抛出 java.util.ConcurrentModificationException 异常,如果要删除可以用Iterator的remove()方法。 以下代码报错:

invLong的专栏 3650

一篇讲透:豆包、元宝、DeepSeek、Kimi、WorkBuddy,职场里到底怎么分工

这篇文章深入分析了当前主流AI工具(WorkBuddy、豆包、腾讯元宝、DeepSeek、Kimi)的特点和使用场景,帮助读者根据不同工作需求选择合适的AI助手。核心观点包括: AI工具各有所长:豆包适合快速创作初稿,元宝擅长信息检索整理,DeepSeek强于逻辑分析,Kimi专精文本处理,WorkBuddy则更适合任务推进和成果交付。 使用前需明确需求:是要创意发散、信息整理,还是任务执行?不同阶段应选用不同工具组合。 提供了6个具体职场场景的解决方案,包括文章创作、课程设计、会议纪要等,并给出详细的操作

weixin_39284145的博客 1万+

关于java中使用HashMap要注意的地方

阅读了一下HashMap的原理和源码,自己也做了下实验,提醒下需要注意的地方。 如果两个Key的hashcode相同equals也相同,那么第二个一定会替代第一个。 如果两个Key的hashcode相同但是equals不同,这是比较危险的,因为程序会在第一个key做hash后的位置中去找和第二个key equals的地方,结果发现没找到,整个entry链表都会清空,

407

ArcGIS笔记13_利用ArcGIS制作岸线与水深地形数据?建立水动力模型之前的数据收集与处理?

在利用MIKE建立水动力模型之前,需要收集、处理和制作诸多数据和资料,主要有岸线数据、水深地形数据、开边界潮位驱动数据、风场数据、潮位和海流观测资料和站点潮汐调和常数资料等。本篇主要介绍这些资料的获取与处理。

晏长街的博客 5948

15、降维算法:原理、实现与应用

本文深入介绍了多种降维算法,包括线性方法如主成分分析(PCA)和线性判别分析(LDA),以及非线性方法如Sammon映射、t分布随机邻域嵌入(t-SNE)和自编码器。文章通过C++库Dlib和Shogun展示了这些算法的具体实现,并结合图像压缩和数据可视化等实际案例,分析了不同算法的适用场景。此外,还探讨了降维算法的选择策略、优化改进方法以及未来发展趋势,为读者提供了全面的技术理解和应用指导。

lemon的博客 115

Java基础之【TreeMap和HashMap需要注意的地方】

注意HashMap是依赖重写hashCode equals方法实现key(key是对象时)去重,而TreeMap中(key是自定义对象时)是依靠实现Comparable接口(内部排序)或者Comparator(外部排序)方式来实现key的去重。这是TreeMap最大的特性 ...

黄三yeah的Java技术空间 1085

AD22里面封装修改后,同步到PCB图里面

【摘要】本文介绍了Altium Designer 22中同步更新元件封装的三种方法:1)从PCB库直接更新:在PCB库面板右键选择"Update PCB With[封装名]";2)通过原理图标准更新:使用Design->Update PCB Document菜单;3)在PCB编辑器中验证更新:通过Tools->Update From PCB Libraries菜单。所有方法最终都需通过ECO(工程变更订单)确认变更,建议执行前仔细核对变更内容。这些方法适用于AD22及早期版本

whm128的博客 1758

java中使用自定义的类作为HashMap的key要注意的地方

要是想使用自定义的类作为HashMap的key,name就需要重写hashcode()和equals()方法。 public class PhoneNumber { private int prefix; //区号 private int phoneNumber; //电话号 public PhoneNumber(int prefix, int phoneNumber) ...

weixin_43564923的博客 807

SAP-ABAP:SAP系统调优利器:RZ11动态参数修改全指南

SAP系统调优利器:RZ11动态参数修改全指南

baidu_35680696的博客 970

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

在 Java 中,为什么基本类型不能做为 HashMap 的键值,而 只能是引用类型,把引用类型做为 HashMap 的健值,需要注意 哪些地方

在 Java 中,为什么基本类型不能做为 HashMap 的键值,而 只能是引用类型,把引用类型做为 HashMap 的健值,需要注意 哪些地方。 答: (1) 在 Java 中是使用泛型来约束 HashMap 中的 key 和 value 的类型的, 即 HashMap<K, V>;而泛型在 Java 的规定中必须是对象 Object 类型的, 也就是说 HashMap<K, V>可以理解为 HashMap<Object, Object>,很显 然基本数据类型不是 Ob

路在前方 1115

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

在 Java 中,为什么基本类型不能做为 HashMap 的键值,而 只能是引用类型,把引用类型做为 HashMap 的健值,需要注意 哪些地方。

hashCode()方法的实现要符合以下规则:如果两个对象的equals方法返回true,那么它们的hashCode()方法必须返回相同的值;在hashCode()方法的实现中,应该减少不同对象生成相同哈希值的概率,以提高HashMap的性能。在Java中,基本类型不能作为HashMap的键值,而只能是引用类型,是因为HashMap是基于哈希算法实现的,它需要根据键的哈希值来确定存储位置。这些包装类提供了hashCode()方法和equals()方法等必要的方法,使其可以作为HashMap的键值。

maoguqi的博客 493

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

java的HashMap的key为对象,有什么注意点

如果HashMap的key为一个学生,value值为一个学生的成绩,我们希望通过学生对象查询到学生的成绩 public class Main { public static void main(String[] args){ Student student1=new Student("1","tom",20); Student student2=new ...

qq_38522268的博客 5359

JAVA性能优化需要注意的26个地方--雷锋

yza3137957的专栏 目录视图摘要视图订阅 程序人生,终究是起承转合      征文 | 你会为 AI 转型么?      赠书:7月大咖新书机器学习/Android/python   JAVA性能优化需要注意的26个地方 标签: java性能优化hashmapstringobjec

cmq591117730的博客 451

hashmap扩容时需要注意的地方

HashMap扩容机制摘要:当元素数量超过容量*负载因子(默认0.75)时触发扩容。扩容时容量翻倍,通过(e.hash&oldCap)算法高效迁移元素:结果为0则留在原位置,结果为1则移到新位置(原索引+oldCap)。链表/红黑树会被拆分成两部分,无需重新计算hash。链表转红黑树阈值为8是基于泊松分布极低概率(0.00000006),而转回阈值为6可避免频繁转换的资源消耗。这种设计在空间利用和哈希冲突间取得平衡,保证了高效扩容。

laosao_66的博客 1635

JAVA中HashMap、TreeMap、LinkedHashMap 的用法与注意事项

Map特性HashMapTreeMap顺序保证无序按键自然顺序或自定义顺序保持插入顺序或访问顺序性能O(1)(查找/插入/删除)O(log n)(查找/插入/删除)接近 O(1)(查找/插入/删除)允许null键/值允许一个null键和多个null值不允许null键允许一个null键和多个null值线程安全不安全不安全不安全适用场景高效查询,无需顺序有序数据,范围查询保持插入顺序或访问顺序Java 中的HashMapTreeMap和各有其独特的特性和应用场景。

qq_40697623的博客 1021

为什么基类不能做为 HashMap 的键值, 而只能是引用类型,把引用类型作为 HashMap 的键值, 需要注意哪些地方 ?

首先HashMap存储数据的特点是:无序、无索引、不能存储重复元素。 存储元素采用的是hash表存储数据,每存储一个对象的时候,都会调用其hashCode()方法,算出其hash值,如果相同,则认为是相同的数据,直接不存储,如果hash值不同,则再调用其equals方法进行比较,如果返回true,则认为是相同的对象,不存储,如果返回false,则认为是不同的对象,可以存储到HashMap集合中。 之所以key不能为基本数据类型,则是因为基本数据类型不能调用其hashcode()方法和equals()方.

qq_38071342的博客 882

java之HashMap注意点

/** * Returns index for hash code h. */ static int indexFor(int h, int length) { return h & (length-1); }

Ponnim_CS_DN的专栏 1133

Java使用HashMap进行遍历时候需要注意的几点

如下一个方法使用时如果在for循环过程中对totalAmountMap进行增删会造成如下异常Java.util.ConcurrentModificationException        at java.util.HashMap$HashIterator.nextEntry(HashMap.java:793)        at java.util.HashMap$KeyIterator.nex

aini6231289的博客 1060

JAVA中HashMap常用API与注意事项

/** * HashMap注意事项 * 底层是数组+单向链表,无序集合 * LinkedMap是哈希表+链表,可保证存储元素有序,继承HashMap, * 双列集合,以键值对形式存在,key\value * key和value的数据类型可以相同也可以不相同 * key与value一一对应 * key唯一,value可以重复 * * HashM..

weixin_43489515的博客 1030
上一篇: ArrayAdapter(API分析)
下一篇: Map.entry优势
freemindhack
博客等级 码龄13年 53粉丝 182原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值