深入理解Java集合框架系列-第二章、Java集合中的hashCode方法

深入理解Java中的@EqualsAndHashCode注解 阅读详情

 

众所周知,Java中的集合框架有三大类,一类是List,一类是Set,另一类是Queue。List内的元素是有序的,元素可以重复。Set元素无序,但元素不可重复。要想保证元素不重复,两个元素是否重复应该依据什么来判断呢?用Object.equals方法。但若每增加一个元素就检查一次,那么当元素很多时,后添加到集合中的元素比较的次数就非常多了。也就是说若集合中已有10000个元素,那么第10001个元素加入集合时,它就要调用10000次equals方法。这显然会大大降低效率。那么有没有更好的方法了?
    Java中数据存储方式最底层的两种结构,一种是数组,另一种就是链表,数组的特点:连续空间,寻址迅速,但是在删除或者添加元素的时候需要有较大幅度的移动,所以查询速度快,增删较慢。而链表正好相反,由于空间不连续,寻址困难,增删元素只需修改指针,所以查询慢、增删快。

有没有一种数据结构来综合一下数组和链表,以便发挥他们各自的优势?答案是肯定的!就是:哈希表。哈希表具有较快(常量级)的查询速度,及相对较快的增删速度,所以很适合在海量数据的环境中使用。一般实现哈希表的方法采用“拉链法”,我们可以理解为“链表的数组”,见上图:

从上图中,我们可以发现哈希表是由数组+链表组成的,一个长度为16的数组中,每个元素存储的是一个链表的头结点。那么这些元素是按照什么样的规则存储到数组中呢。一般情况是通过hash(key)%len获得,也就是元素的key的哈希值对数组长度取模得到。比如上述哈希表中,12%16=12,28%16=12,108%16=12,140%16=12。所以12、28、108以及140都存储在数组下标为12的位置。它的内部其实是用一个Entity数组来实现的,属性有key、value、next。

当HashMap、HashTable、HashSet等集合对象接收一个元素时,默认根据该对象的内存地址算出hashCode,看它属于哪一个具体的数组元素,在这个数组元素里调用equeals方法。这么做确实提高了效率。但一个面临问题:若两个对象equals相等,但不在一个数组元素里,根本没有机会进行比较,会被认为是不同的对象。所以Java对于eqauls方法和hashCode方法是这样规定的:

1、如果两个对象相同,那么它们的hashCode值一定要相同。也告诉我们重写equals方法,一定要重写hashCode方法。

2、如果两个对象的hashCode相同,它们并不一定相同,这里的对象相同指的是用eqauls方法比较。

如下代码,如果没有重写hashCode()和equals(),则输出3,如果重写hashCode()和equals(),则输出值为1。Coordinate的代码请查看上一篇文章。

Coordinate c1=new Coordinate(12,34);

Coordinate c2=new Coordinate(12,34);

Coordinate c3=new Coordinate(12,34);

Set<Coordinate> sets=new HashSet<Coordinate>();

  sets.add(c1);

  sets.add(c2);

  sets.add(c3);

System.out.println(sets.size());

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

深入理解Java集合框架:核心接口、实现类与实战选择 Java集合框架(JCF)是Java开发中管理对象组的核心工具,包含List、Set、Queue和Map四大接口。ArrayList适合随机访问,LinkedList适合频繁增删,HashSet保障元素唯一性,TreeSet支持自动排序。HashMap基于哈希表实现键值映射,而ConcurrentHashMap适合高并发场景。使用时应预估容量、善用泛型,并注意遍历时的安全删除。深入理解集合特性和实现原理,能显著提升代码效率和质量。 阅读详情

相关推荐

Java对象相等性:深入理解equals与hashCode

在 Java 应用开发中,正确实现对象相等性至关重要。无论是使用HashMap缓存用户会话(如阿里云函数计算中的上下文对象),还是在HashSet中去重微博动态,都依赖于equals()和hashCode()的合理实现。==equals()默认情况下,仅执行引用比较。若需按值比较(例如两个不同User实例具有相同 ID 即视为相等),必须重写equals()。同时,根据 Java 规范,equals()hashCode(),以确保相等对象拥有相同哈希码,否则会导致哈希集合(如HashMap)行为异常。

静水深流 866

java的equeals方法和==方法的比较

      我们知道,在java中,equals()方法和==方法是有比较大的区别的,equals()方法执行的是值的比较,而==方法执行的是地址的比较,也就是对象的引用的比较。现在我们来看一段代码     Integer a=new Integer(1); Integer b=new Integer(1); System.out.println("测试equals方法 "+a.equa...

cong 810

深入理解Java中的hashCode和compareTo方法

本文详细探讨了Java中hashCode和compareTo方法的实现原理及其重要性。通过分析不同类型的字段和对象如何影响哈希码的计算,以及如何通过compareTo方法实现对象的自然排序,我们能够更好地理解如何设计高效的集合和映射处理机制。同时,文章通过具体的Java代码示例,展示了这些方法在实际编程中的应用,为开发者提供了深入理解Java集合框架的视角。

weixin_32251525的博客 430

equeals()与==

区别: ==是判断两个变量或实例是不是指向同一个内存空间,equals是判断两个变量或实例所指向的内存空间的值是不是相同 ==是指对内存地址进行比较 , equals()是对字符串的内容进行比较(String类重写了equals方法,String类的equals方法是比较字符的,不再是内存地址的比较) ==指引用是否相同, equals()指的是值是否相同 ...

weixin_43820144的博客 337

Java集合框架中的对象比较实践

本文通过分析Java集合框架中对象比较的实践案例,深入探讨了在集合操作中对象的相等性判断及其对数据结构的影响。通过对不同对象比较方法的比较,以及equals和hashCode方法的正确实现,来展示如何在Java中有效地管理和操作集合。

weixin_33557333的博客 313

Jetson Nano系统重装的艺术:从格式化到烧录的深度解析

本文详细解析了Jetson Nano系统重装的完整流程,从SD卡格式化到系统镜像烧录的进阶技巧,包括硬件选择、软件准备、常见问题处理及深度学习环境配置。特别推荐使用三星EVO Plus SD卡和官方电源以确保稳定性,适合开发者快速掌握嵌入式设备系统重装的核心技术。

weixin_28273593的博客 611

java中==与equeals的区别

==是比较两个变量的值,如果是基本数据类型,那么就是比较的基本数据的大小值 int a=1; int b=1; System.out.println(a==b);上面代码的图解: 以上图中:==比较的就是上面两个内存块中的值,都是1,所以是true 但是如果存储的是引用类型,其实比较的还是变量本身所存储的值,我们都知道, 变量存储引用类型其实存储的只是引用对象的地址作为

qishubiao的博客 7112

DIY天文摄影:如何用NMP溶剂安全去除佳能CMOS传感器的拜耳滤镜(附详细步骤)

本文为天文摄影爱好者提供了一份详尽的DIY指南,介绍如何使用NMP溶剂安全去除佳能CMOS传感器的拜耳滤镜,将其改造为高灵敏度单色相机。文章深入剖析了NMP溶剂的作用原理与关键风险,并系统性地拆解了从材料准备、分步操作到后期验证的完整实践流程,旨在帮助具备动手能力的爱好者实现深空天体摄影的进阶目标。

w3x4y的博客 310

java中的equals和hashCode方法以及两种方法集合的排序

equals方法 不覆写equals时候 equals() 的作用是 用来判断两个对象是否相等。 equals() 定义在JDK的Object.java中。通过判断两个对象的地址是否相等(即,是否是同一个对象)来区分它们是否相等。源码如下: public boolean equals(Object obj) {     return (this == obj); } 既然Obje

zhou_shaowen的专栏 1207

保姆级教程:用NILMTK和REDD数据集,5分钟跑通你的第一个负荷分解模型

本文提供了一份详细的NILMTK和REDD数据集负荷分解模型教程,适合零基础用户快速上手。从环境准备、数据获取到模型构建和评估,全程仅需5分钟即可完成。特别适合希望快速入门非侵入式负荷分解(NILM)的开发者,涵盖数据预处理、模型训练及结果可视化等关键步骤。

weixin_30493401的博客 443

aubo i5 + realsense D435i识别抓取实践二

aubo i5 + realsense D435i识别抓取实践二前言一、手眼标定是什么?二、标定软件安装1.aruco_ros安装2.vision_visp安装3.easy_handeye安装4.realsense驱动安装5.安装realsense ROS软件包三、配置1.launch文件修改2.打印二维码四、手眼标定1.启动launch文件2.标定步骤3.发布tf关系 前言 前面配置好了aubo机械臂的ROS软件包,机械臂可以正常运行后,接下来我们进行机械臂与相机的手眼标定。手眼标定分为eye_on_ha

转角 6377

equals()方法与“==”的使用以及注意事项

equals()方法概念equals()方法是对象比较函数,按照对象比较,系统默认四个类复写该方法:Integer , String,Date,file 比较过程: 1.首先判断两个比较对象类型是否相同 如果不同返回false 2.如果相同继续判断对象内容是否相同 如果相同返回true 如果不同返回false 使用方法以及注意事项e.g.:String s1=

编号0347 7469

msf使用木马控制android手机

使用msfvenom生成木马控制手机

my_name_is_sy的博客 3525

深入理解Java中的hashCode方法

hashCode方法在Java中扮演着至关重要的角色,尤其是在使用基于哈希表的数据结构时。深入理解其原理、与equals方法的约定以及正确的重写方式,对于编写高效、健壮的Java代码至关重要。

weixin_56018532的博客 1191

Unreal5从入门到精通之Landscape地形系统

虚幻引擎 5 (UE5) 能够利用其强大的地形编辑工具套件创建大规模的地形世界。使用地形工具可以创建身临其境的户外地形,这些地形经过优化,可在多种不同设备上保持可播放的帧速率。

TxNet 4151

含分布式电源的配电网三段式电流保护影响仿真研究

文章摘要 本文研究了分布式电源(DG)接入对配电网三段式电流保护的影响。通过在Matlab/Simulink平台搭建含同步发电机型DG的10kV配电网模型,设计了基于傅里叶算法的三段式电流保护模块(I段瞬时速断、II段限时速断、III段定时限过流)。研究分析了不同DG接入位置、容量及故障点对保护系统的影响机理。仿真结果表明,DG接入会改变故障电流特性,可能导致三种典型问题:保护范围扩大引起误动、保护灵敏度下降导致拒动,以及保护选择性丧失。该研究为含DG配电网的保护配置与整定提供了理论依据和仿真参考,对保障分

huanghm88的专栏 274

深入理解 Java hashCode

简单来说,hashCode 是一个本地方法(native method),定义在 java.lang.Object 类中,意味着 Java 中的每一个对象都与生俱来拥有获取 hashCode 值的能力。它返回一个整数值,这个值理论上应该尽可能唯一地标识该对象在其生命周期内的某种特征,以便在特定的数据结构中(如 HashSet、HashMap 等基于哈希表实现的集合)能够快速定位和操作对象。

m0_72256543的博客 2015

【python股票价格预测】基于LSTM(长短期记忆网络)的股票价格预测(附python代码)

【python股票价格预测】基于LSTM(长短期记忆网络)的股票价格预测(附python代码)

k8291121的博客 1017

深入理解 Java 集合中的去重机制:为什么同时需要 hashCode 和 equals

本文深入解析了Java中Set自动去重的实现机制。核心在于hashCode和equals方法的协同工作:hashCode用于快速定位存储位置(O(1)时间复杂度),equals则精确判断对象是否相等。仅用hashCode会因哈希冲突导致误判,仅用equals则性能低下。文章通过源码分析、流程图解和生活类比(机场安检模型),阐明了两者的分工:hashCode是"粗筛",equals是"精筛"。同时指出,自定义类必须同时重写这两个方法才能正确去重。这种设计完美平衡了查找效

Knight 1440

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Java面试中的集合框架问题

String和Integer被广泛用作HashMap的key,是因为它们具备做key的理想特性:不可变性:一旦创建,hashCode不会变,适合做key正确重写了hashCode()和equals():能保证逻辑一致线程安全:无状态,多线程访问安全当我们使用自定义对象作为key时,必须:重写equals方法:定义对象相等的业务逻辑重写hashCode方法:保证相等的对象有相同的哈希值最好将key设为不可变对象:避免hashCode变化导致无法定位桶否则可能导致对象存进去却取不出来,因为。

html_zlz的博客 2021

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深入理解Java中的Object类的equals()和hashCode()

通过正确地重写这两个方法,我们可以在集合类中正常地进行对象的存储和检索操作,保证程序的正确性和性能。方法比较的是对象的引用地址,即判断两个对象是否指向内存中的同一地址。然而,很多情况下我们需要自定义对象的相等性判断逻辑,例如判断对象的内容是否相等。即使两个对象的内容相同,但如果它们的哈希码不相等,哈希表会认为它们是不同的对象。在将对象放入哈希表中时,哈希表会根据对象的哈希码来确定存储的位置。方法来定义对象相等的规则,那么在集合类中判断两个对象是否相等时就会使用这个规则。方法,自定义对象的哈希码计算逻辑。

学IT,找陈寒 1092

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")

深入理解 Java 中的 equals 方法

深入理解 equals 方法是每一位 Java 开发者进阶之路上的必经站点。它不仅仅是一个简单的比较操作方法,更是关乎代码逻辑正确性、稳定性以及性能的核心要素。只要自定义类有需要按照业务逻辑判断对象相等的场景,就果断重写 equals 方法,并同时重写 hashCode 方法,确保两者遵循规范协同工作。重写 equals 方法时,严格对照自反性、对称性、传递性、一致性原则进行代码编写与测试,哪怕细微的违背都可能在日后引发大问题。

m0_72256543的博客 2596

Java深入理解equals()与hashCode()方法

Object类是类继承结构的基础,所以是每一个类的父类。所有的对象,包括数组,都实现了在Object类中定义的方法。equals()方法详解equals()方法是用来判断其他的对象是否和该对象相等. equals()方法在object类中定义如下:很明显是对两个对象的地址值进行的比较(即比较引用是否相同)。但是我们知道,String 、Math、Integer、Double等这些封装类在使用equals()方法时,已经覆盖了object类的equals()方法。while (n–!

hirezy 867

深入理解Java中HashCode方法

关于hashCode,维基百科中: ? 1 2 3 4 In the Java programming language, every class implicitly or explicitly provides a hashCode() method, which digests the data stored in an ...

u012501054的博客 287

深入理解 Java 中的 equals 与 hashCode:不只是面试题,更是你代码出 Bug 的根源

很多人以为 equals 和 hashCode 只是面试题,写法让 IDE 自动生成就行了。但它们其实深刻影响着 Java 集合的正确性和性能。本文通过典型案例、常见误区和项目实战,深入讲解 equals 与 hashCode 的工作机制与正确使用方式,帮助你彻底告别“放进去取不出”“Set 无法去重”等典型问题。别让一个 equals 写错,埋下代码稳定性的隐患。

wjh_2510的博客 1501

Java面试-Set 集合如何保证元素唯一性

`HashSet` 内部使用 `HashMap` 作为存储结构。它将 `Set` 的元素作为 `HashMap` 的 `key`,`value` 是一个固定的傀儡对象。`HashMap` 的 `key` 要求唯一性,其判断依据是:**两个对象的 `hashCode()` 相等** **且** **`equals()` 方法返回 `true`**。

千淘万漉虽辛苦,吹尽狂沙始到金 2万+
上一篇: 深入理解Java集合框架系列-第一章Java对象的hashCode哈希码
下一篇: 深入理解Java集合框架系列-第三章 使用集合排序
fullStackChenZF
博客等级 码龄10年 44粉丝 70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